la ley okun para las regiones españolas - junta de andalucía...5 la curva de phillips establece la...
TRANSCRIPT
i
La Ley Okun para las regiones españolas:
Distintas aproximaciones econométricas
Juan Antonio Ballesteros Gallardo Fernando Núñez Hernández Carlos Usabiaga Ibáñez
I.S
.S.N
: 2
25
4-1
74
8
LA LEY DE OKUN PARA LAS REGIONES ESPAÑOLAS:
DISTINTAS APROXIMACIONES ECONOMÉTRICAS
Juan Antonio Ballesteros Gallardo
Universidad de Sevilla
Fernando Núñez Hernández
Universidad de Sevilla
Carlos Usabiaga Ibáñez
Universidad Pablo de Olavide
Agradecimientos: Agradecemos los comentarios recibidos de profesores del Departamento de Organización Industrial y Gestión de Empresas de la Universidad de Sevilla, y en especial de Pablo Álvarez de Toledo. También agradecemos el interés del Instituto de Estadística de Andalucía (IEA) por este trabajo, en especial de José E. Molina y Elena Manzanera. Fernando Núñez y Carlos Usabiaga agradecen asimismo la financiación de los siguientes Proyectos: PAI (TEP-216, SEJ-246, SEJ-513); Junta de Andalucía (Excelencia SEJ-4546); Ministerio de Ciencia e Innovación (ECO2009-13357); y Centro de Estudios Andaluces (PRY010/10). Las limitaciones que persistan son de nuestra entera responsabilidad.
ÍNDICE
1. INTRODUCCIÓN. p. 4
2. DEFINICIÓN DE LAS VARIABLES ESTUDIADAS. p. 5
3. LA LEY DE OKUN. p. 9
3.1. Fundamento teórico. p. 9
3.2. Revisión bibliográfica. p. 13
4. ANÁLISIS DE DATOS. p. 26
4.1. España. p. 26
4.1.1. Producto Interior Bruto. Tendencia natural y ciclo de actividad. p. 26
4.1.2. Tasa de desempleo. p. 30
4.1.3. Otras variables de interés. Inflación, tipo de interés nominal y gasto público. p. 32
4.2. Comunidades Autónomas. p. 38
4.2.1. Producto Interior Bruto. p. 38
4.2.2. Tasa de desempleo. p. 40
4.2.3. Otras variables de interés. Inflación, tipo de interés nominal y gasto público. p. 43
5. METODOLOGÍA ECONOMÉTRICA. p. 45
5.1. Análisis de series temporales. Regresión lineal y series autorregresivas. p. 46
5.2. Datos de panel. p. 48
5.3. Modelo de ecuaciones aparentemente no relacionadas. p. 49
6. ANÁLISIS ECONOMÉTRICO. ESTIMACIONES DE LA LEY DE OKUN. p. 52
6.1. Análisis de series temporales. Regresión lineal y series autorregresivas. p. 53
6.2. Análisis mediante panel de datos. p. 62
6.3. Análisis mediante regresiones aparentemente no relacionadas. p. 72
6.4. Evolución temporal del coeficiente de Okun. p. 79
7. CONCLUSIONES. p. 85
8. BIBLIOGRAFÍA. p. 88
2
1. INTRODUCCIÓN.
Desde que el economista norteamericano Arthur Okun (1962) estableció
la existencia de una relación entre el nivel de desempleo y la producción en los
Estados Unidos, se han realizado numerosos estudios basados en dicha
relación en una gran amplitud de países y regiones, debido a la transcendencia
económica que supone el poder cuantificar la reacción del desempleo frente a
cambios en la producción.
Sin embargo, con el paso del tiempo se han ido incluyendo un mayor
número de variables explicativas, que han aumentado la complejidad de la
relación inicial. Asimismo, la existencia de registros históricos lo
suficientemente precisos de los valores de una infinidad de variables
económicas y, sobre todo, la aparición de diferentes métodos econométricos
durante las últimas décadas basados en el análisis de series temporales, que
incluyen también componentes estructurales, han permitido aumentar de forma
considerable la capacidad de análisis de la información.
A pesar de lo anterior, son pocos los estudios que sobre la ley de Okun
se han realizado en España considerando conjuntamente la parte temporal y
estructural de los datos. En nuestro caso, estamos interesados principalmente
en la parte estructural de los datos, entendida ésta como cada una de las
Comunidades Autónomas que conforman el territorio nacional.
De esta forma, el presente trabajo realiza un estudio que intenta
establecer la relación existente entre el nivel de desempleo cíclico y diferentes
variables económicas, entre ellas la producción, usando diferentes
metodologías econométricas (series temporales, datos de panel y modelos de
ecuaciones aparentemente no relacionadas), partiendo de los datos de las
3
economías regionales de España, puesto que pensamos que es interesante
estudiar esta relación macroeconómica tan importante desde un punto de vista
regional.
2. DEFINICIÓN DE LAS VARIABLES ESTUDIADAS.
El objetivo del presente trabajo es determinar la relación existente entre
el ciclo de desempleo y diferentes variables macroeconómicas; por tanto, el
primer paso a seguir será elegir las variables económicas que pueden ser de
relevancia para caracterizar este ciclo. A continuación se detallan y definen las
variables que se han escogido en el presente estudio para realizar el análisis1.
- Nivel de desempleo: Es la proporción de personas que se encuentran en
situación de desempleo respecto a la población activa de una determinada
región, entendida ésta como el conjunto de personas que dentro del mercado
laboral se encuentran trabajando o en condiciones de poder hacerlo. Aunque
existen numerosas formas de evaluar el desempleo, en este trabajo lo
calcularemos como porcentaje respecto a la población activa (tasa de
desempleo). A lo largo del trabajo se hablará también del desempleo
estructural, referido éste a la tendencia que muestra la serie temporal de la tasa
de desempleo, y desempleo cíclico, entendido como la diferencia entre la tasa
de desempleo total y la estructural. Si bien estos conceptos se desarrollarán
con mayor profundidad más adelante, en el apartado de “fundamentos
teóricos”, adelantaremos aquí que el desempleo estructural es un nivel de
desempleo de larga duración, condicionado por sucesos con importantes
repercusiones laborales, mientras que el desempleo cíclico está ligado más a
1 Mientras no se mencione lo contrario, se supondrá que se refieren a variables regionales.
4
condiciones coyunturales del mercado laboral. Los datos utilizados en este
trabajo referentes al desempleo fueron obtenidos de la Encuesta de Población
Activa (EPA) mediante la base de datos del Instituto Nacional de Estadística
(INE)2.
- Producto Interior Bruto (PIB): Se refiere al valor monetario del conjunto de
bienes y servicios generados por la región considerada en un período de
tiempo determinado. Para el análisis de los datos, en la mayoría de los estudios
económicos se eligen períodos de tiempo bien trimestrales, o bien anuales,
como es el caso en el presente trabajo. Es de destacar también que la
evolución del PIB de una región es una de las principales variables que se
utilizan para evaluar si una economía se encuentra en expansión o recesión,
dependiendo de si su PIB aumenta o disminuye, y del ritmo al que lo hace. Al
igual que en el caso del desempleo, la serie temporal del PIB regional se
dividirá en su componente estructural (tendencia a largo plazo) y componente
cíclica (oscilaciones temporales de la serie en torno a su nivel tendencial). En
este trabajo se utilizarán los valores del PIB anuales (tanto en el ámbito
nacional como regional) que proporciona el Instituto Nacional de Estadística
(INE) a precios constantes basados en el año 19953.
- Gasto Público: Se refiere al gasto monetario total realizado por todas las
Administraciones Públicas de una determinada región dentro de un periodo
determinado. El control sobre el Gasto Público es una pieza clave de la política
económica, ya que es uno de los principales mecanismos que posee el
Gobierno para regular la actividad económica. De esta forma, cuando el 2 Véase www.ine.es 3 Puede consultarse el apartado sobre cuentas económicas regionales en el enlace:
www.ine.es/inebmenu/mnu_cuentas.htm
5
Gobierno decide aumentar el Gasto Público, se impulsa la actividad económica;
aunque en contrapartida esta situación conlleva también una presión
inflacionista. Por el contrario, el Gobierno también podría enfriar el Gasto
Público en materia de inversión con el fin de equilibrar la economía. En este
trabajo se utilizarán los datos sobre Gasto Público regional que proporciona la
Secretaría de Estado de Hacienda y Presupuestos en su página web.4
- Tipo de interés (aplicado por el mercado hipotecario): Es el índice que indica
el porcentaje sobre la deuda nominal que habría que pagar tras pedir un crédito
o préstamo a las entidades que conforman el sistema financiero (bancos y
cajas de ahorro principalmente). Cuando en la economía existe un tipo de
interés alto, se dificulta a las empresas el acceso a los créditos y, por tanto,
disminuyen las inversiones y se ralentiza la economía. Por el contrario, un tipo
de interés bajo fomenta el acceso a los créditos, favoreciendo las inversiones
empresariales e inmobiliarias y la activación de la economía.
Consecuentemente, parece que el tipo de interés aplicado podría ser una
variable económica que se encuentra relacionada con la situación económica
existente. Este tipo de interés viene marcado, de forma indirecta, por el Banco
Central Europeo (BCE). En este estudio se utilizarán los datos que ofrece el
INE en su página web sobre tipo de interés legal del mercado hipotecario y del
mercado financiero.
- Índice de Precios al Consumo (IPC): Es un parámetro económico que mide
el incremento del coste de la vida (cesta de la compra entendida en un sentido
amplio), a través del cambio en los precios que experimentan los bienes de
consumo que afectan a la población, siendo también el principal indicador de 4 Véase la base de datos: http://serviciosweb.meh.es/apps/CCAApresupuestos/
6
referencia para cuantificar la inflación existente en un período de tiempo.
Normalmente, en las economías desarrolladas el IPC suele crecer ligeramente
y de forma moderada, hecho que contrasta con los altos valores del IPC que
presentan las economías inestables. Por otro lado, dentro de la teoría
macroeconómica, el IPC también se encuentra ligado al mercado laboral
mediante la denominada “curva de Phillips”5 (Phillips, 1958). Es de destacar
que la evolución del IPC afecta también al grado de depreciación que sufre la
moneda, y por tanto a la ganancia o pérdida de la capacidad adquisitiva. Por
último indicaremos que los datos que se han utilizado en este trabajo provienen
de la base de datos que ofrece el INE en su página web6.
- Nivel de formación de la población empleada: Es un indicador del grado de
cualificación de los trabajadores en activo, bajo el supuesto de que la mayor
parte de la población empleada ocupan puestos de trabajos adecuados a su
nivel de formación. Esta variable influye de forma importante en la calidad y
estabilidad de los puestos de trabajos generados ya que, como se indica en
Maza y Villaverde (2007b), una de las causas del fuerte crecimiento de la tasa
de desempleo es la existencia de puestos de baja cualificación, y la poca
creación de puestos cualificados.
Por último, debemos indicar que el rango de las series utilizadas para las
diferentes variables comienza en 1980 (inclusive) y termina en 2009. Hay que
señalar que para algunas de las variables se tienen series más cortas, como
por ejemplo el nivel de formación (desde 2001) y el tipo de interés (desde
5 La curva de Phillips establece la relación entre los precios y el desempleo. Esta relación
puede tomar muchas especificaciones diferentes y estimarse bajo diversas metodologías.
Véase Gómez y Usabiaga (2001) para el caso español. 6 Véase la pestaña de IPC dentro de www.ine.es
7
1991), ya que no se pudieron encontrar datos fiables de mayor antigüedad.
Pensamos que el hecho de que existan series con diferente longitud de tiempo
no supone, en principio, un serio problema para el estudio realizado, ya que las
series más cortas cubren un período de aproximadamente una década, lo
suficientemente amplio como para poder obtener conclusiones de interés.
Finalmente, debemos destacar que la componente estructural de las series se
ha calculado aplicando el filtro de Hodrick-Prescott7 (filtro HP), con un
parámetro de valor 100, calculándose la componente cíclica como la diferencia
entre el valor real de la variable y el valor obtenido por el filtro HP.
3. LA LEY DE OKUN.
3.1. Fundamento teórico.
La ley de Okun fue propuesta a principios de los años sesenta por el
economista norteamericano Arthur Okun (Okun, 1962), quien observó una
relación fuertemente lineal entre las variaciones de la producción y del
desempleo de Estados Unidos a partir de los datos recogidos durante los años
50. Aplicar el término de “ley” a esta relación empírica puede dar lugar a
confusiones sobre su validez y aplicabilidad, puesto que no define una relación
teórica estricta entre variables, estando su formulación basada principalmente
en estimaciones estadísticas entre datos, como suele suceder para la mayoría
de las relaciones socioeconómicas (como por ejemplo la curva de Phillips). A
esta relación de Okun se le ha aplicado el nombre de “ley” debido a que es una
relación empírica que se cumple con regularidad aceptable para la mayoría de 7 La teoría sobre el filtro HP queda fuera del objetivo de este trabajo. Para más información,
puede consultarse Del Río (1999).
8
las economías desarrolladas, variando únicamente el valor de los coeficientes.
Conceptualmente, la ley de Okun establece que una economía en expansión,
con una población activa relativamente estable, debe aumentar el volumen de
recursos humanos empleados para aumentar su nivel de producción y reduce
por tanto su nivel de paro. Análogamente, una economía en recesión
disminuirá el número de empleados, aumentando en consecuencia su nivel de
desempleo.
Desde su primera formulación hasta nuestros días han surgido
numerosas versiones sobre la ley de Okun, siendo la principal diferencia entre
ellas la forma de calcular las variaciones del desempleo y la producción. La ley
de Okun utilizada en este trabajo describe la relación existente entre la brecha
del desempleo y la brecha de la producción, definida esta brecha como la
diferencia entre los componentes reales y estructurales para ambas variables.
En este trabajo nos referimos al nivel estructural de una variable como la
tendencia a largo plazo de la variable en cuestión, estando ésta determinada
principalmente por factores con repercusiones económicas importantes (como
pueden ser, por ejemplo, la modificación de leyes laborales y económicas, o la
introducción en el mercado de trabajo de nuevas tecnologías con alto valor
añadido). En cambio, la componente cíclica de una variable explica las
variaciones que pueda sufrir ésta a corto plazo, estando condicionada
principalmente por sucesos socioeconómicos con efectos temporales (como,
por ejemplo, la crisis coyuntural de algunos sectores productivos). La evolución
en el tiempo de esta componente tiene especial relevancia, porque permite
definir y caracterizar los diferentes ciclos de la serie. Matemáticamente, la
9
descomposición de una variable económica, en su parte estructural y cíclica,
puede escribirse como sigue:
Cr = Ce + Cc (3.1)
Siendo Cr el nivel real de la magnitud, Ce la componente estructural y
Cc la componente cíclica. La gráfica 3.1 representa la evolución de una serie8,
junto con su parte estructural (tendencia) y cíclica.
-20
-10
010
2030
y
0 5 10 15 20 25 30rango
serie ciclo tendencia
Gráfica 3.1. Descomposición de una serie en componente estructural y cíclica
La estimación lineal que se ha implementado en este trabajo para
expresar la relación entre ciclo de desempleo y ciclo de producción (en
logaritmos) es la siguiente9:
8 La serie generada es y=x+40· (0.5-rand), donde “rand” representa un numero aleatorio entre 0
y 1, para cada valor entero de x. La componente tendencial fue extraída con un filtro HP (100),
comprobándose que la componente cíclica efectivamente oscila en torno al 0, como lo
demuestra su media (4.81·10-9). 9 Si bien es cierto que existen muchas otras especificaciones de la ley de Okun.
10
Ur – Ue = β · Ln(Yr/Ye) + ε (3.2)
Siendo U la proporción de población desempleada respecto a la población
activa, medida en porcentaje; Y la producción bruta, expresada en unidades
monetarias; β la pendiente de la recta de ajuste, también denominada como
coeficiente de Okun y ε el término error. Los subíndices “r” y “e” denotan el
valor de la variable real observada y estructural respectivamente.
En una economía determinada, con un nivel de productividad estable,
como suele ocurrir a corto plazo, donde la transferencia tecnológica no produce
cambios significativos, cabría esperar que si variamos el nivel de recursos (en
este caso humanos) un determinado valor porcentual, la producción variaría en
la misma proporción, y por lo tanto el valor de β estaría muy cercano a la
unidad. También hay que hacer notar que el efecto “inscripción” y “desánimo”
de las personas desempleadas afectan al valor de β. Así, algunas personas
desempleadas, en épocas de recesión, desanimadas por la situación laboral,
dejarían de buscar empleo activamente, considerándose en este caso que no
forman parte de la población desempleada, sino de la inactiva, ya que no
buscan empleo activamente. Lo contrario sucede en las épocas de expansión
con el efecto inscripción, donde personas que se encontraban en situación de
inactividad, es decir, que no buscaban empleo activamente, comienzan a
buscar empleo de forma activa ante las mejores expectativas laborales,
pasando a formar parte de la población desempleada. Consecuentemente, si
un porcentaje de dichas personas acaban finalmente ocupando puestos de
trabajo, el nivel de desempleo no caerá al mismo ritmo al que lo hace el
aumento en el nivel de empleo (Usabiaga, 2010).
11
Por otro lado, como los ciclos de producción y desempleo están
estrechamente ligados, teniendo para la mayoría de las economías estables
longitudes de ciclo similares, ello implica que las componentes cíclicas de
ambas variables tenderán a ser nulas en instantes de tiempos prácticamente
iguales. En teoría, deberían serlo al mismo tiempo, de ahí que se introduzca en
la ecuación 3.2 el término de error ε para absorber las desviaciones entre la
teoría y la realidad; aunque, como se ha comentado, ambas variables suelen
estar muy relacionadas, esperándose que el valor de ε esté cercano al cero.
Gráficamente, lo anterior apunta a que la recta obtenida de la regresión lineal
de la nube de puntos que relaciona los ciclos de producción y desempleo debe
tener como pendiente el valor β y cruzar prácticamente por el origen de
coordenadas.
3.2. Revisión bibliográfica.
El primer trabajo donde se establece una relación entre el Producto
Interior Bruto (PIB) y el nivel de desempleo de una economía fue escrito en
1962 por el economista norteamericano Arthur Okun, en su artículo “Potencial
GNP: Its Measurement and Significance” (Okun, 1962). En él, estudia
conjuntamente los valores del PIB y del desempleo para la economía de los
Estados Unidos desde el segundo trimestre del año 1947 hasta el último
trimestre de 1960.
Realizando una regresión lineal sobre los valores de la tasa de
desempleo y del crecimiento de la producción entre dos trimestres
consecutivos, Okun obtuvo la siguiente ecuación para datos trimestrales:
12
ut – ut-1 = 0.30 – 0.30 gtY 10 (3.3)
Las conclusiones que se obtienen a partir de esta ecuación son las
siguientes:
a) Si no existiese crecimiento en la economía de los Estados Unidos, la tasa de
desempleo aumentaría un 0.3% cada trimestre.
b) El PIB debería aumentar un 1% trimestralmente para mantener constante la
tasa de desempleo.
c) Por cada 1% de aumento trimestral en el nivel de desempleo se produce una
pérdida en la producción de Estados Unidos de aproximadamente 3.33%.
Esta última conclusión es quizás la más importante, y en su día tuvo una
gran repercusión, tanto en la política como en la economía norteamericana,
porque atribuía al crecimiento de la producción una influencia mayor en el
desempleo de la que entonces se tenía como generalmente aceptada.
No obstante, Okun también quiso cuantificar cuál es la importancia del
desempleo en relación con las condiciones de producción potencial11. La
dificultad que encontró Okun es que, en principio, no existía un método o forma
para cuantificar cuál es el nivel de desempleo que coexiste con las condiciones
de producción potencial. Para salvar esta dificultad, Okun asumió la hipótesis
de que la tasa de desempleo debía situarse en torno al nivel del 4% anual para
tales condiciones, como habitualmente se tenía asumido por los economistas
10 ut es el nivel de desempleo y gt
Y es la variación de la producción expresada en porcentaje. La
correlación obtenida fue de R=0.79. 11 Okun define la producción potencial como la producción máxima compatible con la
estabilidad en los precios. A principios de los 60, existía un acuerdo casi unánime entre los
economistas de que la producción potencial se alcanzaba cuando la tasa de desempleo se
encontraba en torno al 4%.
13
norteamericanos de la década de los años 50 y 60. Bajo este supuesto, realizó
nuevamente una regresión lineal entre la tasa de desempleo y la brecha de la
producción para la economía de los Estados Unidos en el periodo original,
obteniendo la siguiente relación para datos trimestrales12:
U = 3.72 - 0.36 GAP (3.4)
La consecuencia más importante de esta última relación es que prevé
que por cada 2.8% de variación en la producción respecto a las condiciones
potenciales de producción, el nivel de desempleo variará un 1% respecto a las
mismas condiciones13.
Como puede observarse, para las dos especificaciones propuestas, los
valores de los coeficientes son muy similares, estando comprendidos entre un
0.30 y 0.40, lo que hizo pensar a Okun en sintetizar las relaciones en una única
ecuación de la siguiente forma14:
Ytp = Yt [1 + 0.032 (Ut – 4)] (3.5)
O alternativamente:
⎟⎟⎠
⎞⎜⎜⎝
⎛−=− 1
032.014
t
pt
t YYU (3.6)
12 U = Nivel de desempleo ; GAP = Brecha de producción respecto a la producción potencial.
Coeficiente de correlación para la regresión (R) = 0.93. 13 Obsérvese que la tasa de desempleo en condiciones potenciales es justamente 3.72; es
decir, cuando la brecha de producción es nula, muy cercana a la suposición inicial de Okun de
un 4%. 14 Y = producción; U = Nivel de desempleo; el superíndice “p” designa la producción potencial.
14
Este tipo de ecuaciones, por su importancia e implicaciones en la
economía de cualquier región, han sido ampliamente utilizadas en estudios
macroeconómicos durante las últimas décadas, si bien han sufrido numerosas
modificaciones y adaptaciones. No obstante, a las ecuaciones que relacionan
los niveles de producción y de desempleo en una economía se le denominan
“leyes de Okun” en honor de Arthur Okun, quien fue el primero que las difundió
académicamente.
Sin embargo, tras este trabajo pionero, surgieron rápidamente diversas
cuestiones, como por ejemplo si la relación encontrada se mantiene constante
en el tiempo, o si es posible incluir en dicha ecuación otras variables que
pudiesen explicar de un modo más exacto las variaciones en la tasa de
desempleo al margen de la producción.
En este sentido, y siguiendo con la economía de los Estados Unidos,
destaca el trabajo realizado por Gordon (1984), donde se consideraron nuevas
variables económicas. Concretamente, Gordon hizo uso de los valores de la
población activa y de la empleada, de la jornada media laboral, de la
producción y el empleo no agrícola y la población en edad de trabajar para
estimar la producción de los Estados Unidos desde 1951 hasta 1979. En
cuanto a la metodología, utilizó una ecuación autorregresiva para contrastar el
efecto del desempleo en la producción a largo y corto plazo. Para el período
estudiado, Gordon estimó que el peso del desempleo en la producción estaba
en torno al 2.03%, inferior al estimado por Okun en su tercera ecuación, donde
dicho valor debía encontrarse dentro del intervalo [2.50, 2.86]. Por otro lado,
Gordon observó la influencia del desempleo a largo y corto plazo, concluyendo
15
que el peso del desempleo a largo plazo es casi dos veces mayor (0.492 frente
a 0.232).
Freeman (2000), por su parte, realiza un trabajo donde estima los
valores del coeficiente de Okun para diversas regiones de los Estados
Unidos15, utilizando datos regionales desde 1977 hasta 1997, e implementando
para el conjunto nacional16 y para cada región la siguiente ecuación17 de forma
independiente:
Yt – Ytp = β·(ut - ut
p) (3.7)
Por otro lado, considera que la brecha de producción y desempleo
pueden ser calculadas como la diferencia entre la serie en cuestión y su
tendencia, basándose en los estudios realizados por Stock y Watson (1998).
Para el cálculo de la tendencia utiliza los filtros de Baxter y King (1995) y una
tendencia cuadrática, con el fin de poder realizar un contraste entre los
resultados obtenidos usando ambos filtros.
En los resultados que se presentan en este trabajo se observa que las
estimaciones regionales del coeficiente de Okun difieren sustancialmente
dependiendo de si se utiliza el filtro de Baxter y King o la tendencia cuadrática.
No obstante, cuando se realiza un regresión “pooled” con todas las regiones y
se estima el coeficiente de Okun global con ambos filtros, éste no difiere
15 Las regiones analizadas son Nueva Inglaterra, Medio Este, Grandes Lagos, Llanuras,
Sureste, Suroeste, Montañas Rocosas y Lejano Oeste. 16 Para el conjunto nacional utiliza series de datos desde 1959 hasta 1998, estimando el
coeficiente de Okun mediante una regresión “pooled”. 17 Y= producción ; u = Nivel de desempleo medido en porcentaje ; el superíndice “p” designa el
valor de la variable en condiciones de producción potencial.
16
significativamente del obtenido utilizando exclusivamente datos nacionales.
Freeman, además, analizó la estabilidad del coeficiente de Okun de la
economía norteamericana utilizando datos nacionales anuales y trimestrales.
Para ello, descompuso la serie nacional original desde 1959 a 1997 en dos
tramos, el primero hasta 1977, y el segundo desde 1978 a 1997, comparando
los resultados de estas series con el resultado que se obtendría considerando
la serie completa. La conclusión que obtuvo fue que el valor del coeficiente de
Okun para el conjunto nacional se mantenía en torno a -2.0
independientemente del método utilizado18, sin variaciones aparentemente
significativas, valor éste en concordancia con el obtenido por Gordon (1984).
Este resultado, sin embargo, contrasta con las conclusiones obtenidas en otros
estudios, donde se concluye que el coeficiente de Okun no es constante en el
tiempo19, hecho que podría explicarse por la descomposición tan simple que
Freeman realiza de la serie completa, donde toma tan sólo dos sub-series con
periodos de 20 años, siendo complicado captar las variaciones que pueda sufrir
el coeficiente de Okun.
Otra de las aportaciones importantes que se derivan del estudio de
Freeman es la importancia del método utilizado para obtener la tendencia de la
serie, ya que los valores del coeficiente de Okun estimados para cada región
difieren sustancialmente en función del método utilizado (en este caso, el filtro
de Baxter y King (1995) y la tendencia cuadrática).
18 Los resultados obtenidos fueron los siguientes:
- Con el filtro de Baxter y King: 1959-1977: -1.96; 1978-1997:- 2.02; 1959-1997: -1.99.
- Con la tendencia cuadrática: 1959-1977: -1.82; 1978-1997:- 2.03; 1959-1997: -1.91. 19 Véase, por ejemplo, el estudio sobre la evolución del coeficiente de Okun de Knotek (2007),
donde se utilizan regresiones móviles anuales de 13 años de amplitud.
17
Knoteck (2007) realizó un estudio para comprobar la validez de las
leyes de Okun en la predicción de la evolución de la economía. Para empezar,
Knoteck estudia la estabilidad en el tiempo de los parámetros que definen las
ecuaciones propuestas por Okun, realizando sucesivas regresiones mediante
el método de ventanas de tiempo móviles20 sobre la especificación (3.7),
también llamada especificación de “las diferencias” de la ley de Okun. La
conclusión que obtiene es que dichos valores no se mantienen constantes a lo
largo del periodo de estudio, lo que viene a significar que la recta de Okun no
mantiene constante; ni su pendiente, ni su intersección con el eje de
ordenadas. Esta implicación establece por tanto que la ley de Okun debe
entenderse como una relación aproximada entre variables. En el trabajo, no
obstante, se concluye que los errores de predicción a un trimestre (o a un año,
si se trabaja con datos anuales) suelen ser bastante aceptables si se utilizan
las relaciones de Okun obtenidas a partir de la última ventana de tiempo. Por
otro lado, se establece que las especificaciones dinámicas de la ley de Okun
son más exactas que las originales, y, por tanto, pueden ser utilizadas para
predecir periodos mayores.
Un aspecto a destacar de este estudio es el análisis que se hace del
comportamiento de los coeficientes de la ley de Okun tanto en periodos de
crisis como en los de expansión para la economía norteamericana, obteniendo
como conclusión que dichos parámetros se comportan de forma diferente
dependiendo si el periodo es de expansión o de contracción económica. A este
20 Knoteck utiliza una ventana de tiempo de 52 trimestres y un avance de un trimestre entre dos
regresiones sucesivas.
18
hecho, se le ha llamado en la literatura macroeconómica como “asimetría de la
ley de Okun”21.
Fuera del ámbito de los Estados Unidos se han realizado a lo largo de
los últimos años numerosos estudios sobre la ley de Okun. En Asia cabe
destacar el estudio realizado por Lal et al. (2010), que analiza la validez de la
especificación de “gaps” de la ley de Okun ofrecida por la ecuación (3.7), para
Pakistán, Bangladesh, India, Sri Lanka y China, en el periodo comprendido
entre 1980 y 2006, mediante el método de ajuste de mínimos cuadrados. La
conclusión principal que obtienen estos autores para este conjunto de países
es que los coeficientes de Okun estimados no son significativos (exceptuando
el caso de Bangladesh), por lo que parece que la especificación de “gaps” de la
ley de Okun no es aplicable a países con cambios importantes en sus niveles
de producción y empleo22.
Pasando a los estudios realizados sobre la materia dentro de la Unión
Europea, destaca el trabajo de Sögner y Stiassny (2002), que estima los
coeficientes de Okun para 12 países de la Unión Europea, Estados Unidos,
Japón y Canadá, utilizando una modificación de la especificación de “gaps” de
la ley de Okun, donde introducen además el primer retardo del nivel de
21 Para más información sobre la “asimetría” de la ley de Okun, con datos españoles, véase por
ejemplo Pérez et al. (2003). 22 Okun (1962) advertía también que en el nivel de desempleo y producción influyen otras
variables no recogidas en la ley, como la capacidad tecnológica o el aumento de horas de
trabajo por trabajador. En economías estables estas variables omitidas suelen tener poco
efecto en la ley de Okun, mientras que para las economías emergentes, donde se producen
grandes cambios tecnológicos u otros cambios, suelen tener un efecto considerable, haciendo
que las leyes de Okun dejen de ser válidas.
19
producción23. El objetivo principal de Sögner y Stiassny es observar el efecto
que producen las variaciones del crecimiento de la producción contemporánea
y retardada en la tasa de desempleo. Los resultados obtenidos muestran que
existe una gran dispersión en los valores de los coeficientes de Okun para los
países estudiados. Concretamente, Japón y Austria tienen los coeficientes más
bajos (-0.12 y -0.15), mientras que en el extremo opuesto se encuentran
Finlandia y Holanda (-0.61 y -0.82), presentando estos dos últimos países la
mayor dependencia entre la tasa de desempleo y las variaciones de la
producción. Como causa de la disparidad entre estos valores, los autores
mencionan las diferencias en las políticas de empleo que rigen en cada uno de
los países.
Por otro lado, en este trabajo se estudia también la estabilidad de los
coeficientes de Okun para los países de la muestra mediante un modelo de
ventanas, observándose que Austria, Bélgica, Canadá, Italia y Estados Unidos
presentan prácticamente una estabilidad total de este coeficiente. Este
resultado contrasta con los obtenidos por Knoteck (2007), donde se expone
que el coeficiente de Okun para la economía de Estados Unidos no se ha
mantenido constante a lo largo de los años. Para el resto de los países se
obtiene que el coeficiente de Okun tiende a decrecer en el tiempo, siendo esta
característica especialmente acusada en países como el Reino Unido, Holanda
y Francia. Aunque en este trabajo comentado no se analiza la economía
española, en el presente trabajo se tendrá la oportunidad de observar si las
23 La ecuación implementada es ∆ut = a0 + a1·∆Yt + a2·∆Yt-1 + εt , donde el último término
representa el error de la estimación.
20
conclusiones obtenidas para el conjunto de países estudiados son también
extensibles para el caso español.
En ese estudio se obtiene también una conclusión de interés para las
economías nacionales: los países cuyas tasas de desempleo reaccionan
menos a las variaciones de la producción, poseen las mejores políticas para
favorecer la estabilidad del empleo. En términos generales, la mayoría de los
países que presentan estas características, como Japón, Austria o la República
Checa, poseen buenos convenios laborales, que favorecen la permanencia del
trabajador dentro de la población ocupada, pero que dificultan el flujo de
trabajadores desde la población parada a la ocupada. Es decir, en períodos de
crisis se expulsan menos trabajadores, a costa de incorporar menos en épocas
de expansión, lo cual hace pensar que en estos países los cambios en la
producción suelen relacionarse más a cambios en la dedicación que a las
variaciones en el nivel de empleo. El modelo laboral de estos países contrasta
con el modelo español, que se caracteriza por tener un elevado coeficiente de
Okun, debido a la alta proporción de contratos temporales, que vinculan
fuertemente la contratación y el despido al ciclo de producción.
Para datos de España, Belmonte y Polo (2004) implementan varios
modelos sobre la ley de Okun, a partir de datos procedentes del Instituto
Nacional de Estadística (INE). Concretamente, utilizan las dos series de datos
que ofrece el INE, la primera desde 1976:3-1998:4 en base 1986 y la segunda
desde 1980:1-2001:4 en base 199524. Por su relación con el estudio que se
realiza en este trabajo, comentaremos el modelo de “gaps”. Belmonte y Polo
24 Para más información sobre la metodología que emplea el INE, consúltese www.ine.es,
sección sociedad-metodología.
21
sitúan el coeficiente de Okun para la economía española en -0.98 en base
1986 y -0.74 en base 199525. Por otro lado, los valores estimados no pueden
ser comparados con los obtenidos por Sögner y Stiassny, ya que las
especificaciones por las que se estima el coeficiente de Okun son diferentes en
ambos estudios.
Doménech y Gómez (2005) investigan la dependencia entre el nivel de
desempleo, el PIB, el IPC y la inversión para la economía española. La
conclusión principal que obtienen en su estudio es que cuando el nivel de
desempleo se encuentra por debajo de su nivel estructural o de equilibrio, se
suele producir un aumento en la inflación (noción NAIRU). Por otro lado, se
concluye que la información de la inflación para explicar el ciclo económico de
la economía española es menor que la información que pueden aportar la tasa
de desempleo y la inversión. Este aspecto también se contrastará a lo largo del
presente trabajo, cuando se compruebe el nivel de información de un conjunto
de variables económicas para explicar el ciclo económico nacional y regional.
Maza y Villaverde (2007a) realizan un estudio regional de la economía
española, estimando los coeficientes de Okun para todas las Comunidades
Autónomas en el periodo comprendido entre 1984 y 2007, utilizando datos
sobre población activa y Producto Interior Bruto publicados por el INE,
mediante la técnica de panel de datos. Por otro lado, la especificación utilizada
para estimar los coeficientes de Okun de cada una de las regiones y del
conjunto nacional es similar a la comentada para Belmonte y Polo,
relacionándose la brecha de desempleo con la brecha de producción, pero en
25 La ecuación implementada es ut - ut
p = β· (lnYt – lnYtp), obteniéndose la componente
potencial mediante el filtro de Hodrick-Prescott, de forma similar al presente trabajo.
22
este caso se calcula la tendencia de la serie de dos formas diferentes, la
primera mediante el filtro HP y la segunda con una tendencia cuadrática, con el
fin de comparar los resultados obtenidos entre sí. En su trabajo, obtienen varias
conclusiones de interés:
a) El modelo utilizado funciona bien para todas las Comunidades Autónomas, a
excepción de Extremadura y La Rioja.
b) Los coeficientes estimados para cada Comunidad Autónoma mediante el
filtro HP no difieren significativamente de los obtenidos mediante la tendencia
cuadrática.
c) Se observa que los coeficientes de Okun de las Comunidades Autónomas
difieren significativamente entre sí, estando los valores extremos comprendidos
entre el de Castilla-La Mancha (-1.41) y Asturias (-0.45). Como posible causa
para la disparidad de resultados, los autores mencionan las diferencias de
productividad y temporalidad entre unas regiones y otras26.
d) El valor global obtenido para el panel de datos compuesto por cada una de
las regiones no difiere en exceso de los valores que se obtienen del estudio a
nivel nacional, hecho también apuntado por Freeman (2000) para la economía
norteamericana. De esta forma, para el filtro HP, se obtiene un valor de -0.74
para el panel completo y de -0.91 para España en su conjunto, y para la
tendencia cuadrática, de -0.80 y -0.96 respectivamente. Asimismo, se observa
que los valores para el panel completo son ligeramente inferiores a los
obtenidos para el país, y similares a los apuntados en Belmonte y Polo (2004).
Usabiaga (2010) realiza también un estudio para las economías
regionales de España, calculando a partir de la recta de Okun de cada una de
26 Véase Maza y Villaverde (2007a, 2007b).
23
las Comunidades Autónomas obtenida mediante una regresión por mínimos
cuadrados, la variación del PIB anual que haría que su número de ocupados,
tasa de desempleo y número de desempleados no varíen. Centrándonos en los
valores de la tasa de desempleo, este autor concluye que Asturias (1.24%) y el
País Vasco (1.53%) son las dos Comunidades que tendrían que crecer menos
para mantener sus tasas de paro, mientras que Madrid (3.06%) y Murcia
(3.07%) son las que deberían aumentar en mayor medida su producción para
alcanzar este objetivo. En el ámbito nacional, España debería crecer un 2.68%
para mantener su tasa de desempleo, cifra cercana a la de Andalucía, Cataluña
y la Comunidad Valenciana.
Andrés et al. (2009) analizan la evolución del mercado laboral español
durante las dos últimas décadas, poniendo de manifiesto que España ha
pasado de ser uno de los países de la Unión Europea en los que más ha
crecido el empleo, a ser uno de los que más ha sufrido los efectos de la crisis
de los últimos años, llegando a tasas de desempleo cercanas al 20%. Por otro
lado, exponen que la relación entre desempleo y producción ha pasado a ser
más fuerte, acompañada de una alta volatibilidad del empleo. Este hecho se
traduce en que la relación de Okun tiende a ser más pronunciada, con lo que la
economía española elimina con gran rapidez el desempleo en épocas de
expansión económica, mientras que en épocas de crecimiento débil y de
recesión el desempleo aumentará fuertemente.
Al igual que en Maza y Villaverde (2007a), se menciona como causa de
este cambio la elevada tasa de temporalidad durante las últimas décadas, que
facilitan el despido por parte de las empresas en caso de baja producción, así
como el aumento del empleo en sectores de baja productividad, como la
24
construcción, que se contraen también más en períodos de recesión
económica. Finalmente, estos autores exponen una serie de medidas
encaminadas a mejorar la situación laboral actual, entre las que se pueden
destacar la reforma del sistema de prestación por desempleo, la mejora de los
convenios colectivos laborales, la regulación de la jornada laboral (horas
extras) y la promoción del empleo en sectores con alta productividad del
trabajo27.
En el presente trabajo comprobaremos la evolución de la relación de
Okun para el conjunto nacional y para cada una de las Comunidades
Autónomas, mediante los métodos de ventanas de tiempo móviles, pudiendo
comparar nuestros resultados con los obtenidos previamente por otros autores.
4. ANÁLISIS DE DATOS.
A lo largo de este apartado se describirán las características más
importantes que presentan las diferentes variables económicas que utilizamos
en este trabajo. Se comienza con un análisis del comportamiento de estas
variables para el conjunto del país, mientras que la segunda parte de este
apartado está dedicada a las particularidades de estas variables a nivel
regional.
4.1. España.
4.1.1. Producto Interior Bruto. Tendencia natural y ciclo de actividad.
La gráfica 4.1 muestra la evolución del logaritmo natural del Producto
Interior Bruto de España (medido en millones de euros y a precios constantes
27 Similares causas y conclusiones pueden encontrarse en estudios previos, como por ejemplo
en Bande et al. (2008).
25
del año 1995) entre el año 1980 y 2009, junto con su tendencia, representada
por la línea discontinua. Puede observarse que la componente estructural del
PIB (Ye), calculada mediante el filtro HP, evoluciona prácticamente de forma
lineal durante las tres últimas décadas, ajustándose este comportamiento al
funcionamiento económico habitual de las economías desarrolladas, donde el
PIB tiende a crecer de forma exponencial28.
12.6
12.8
1313
.213
.4
1980 1985 1990 1995 2000 2005 2010year
Ln_Yr Ln_Ye
Gráfica 4.1. Evolución logarítmica del PIB real (Yr) y el PIB estructural (Ye)
Por otro lado, puede apreciarse también que existen periodos en los que
el PIB real se encuentra por encima y otros en los que se encuentra por debajo
de su valor estructural. Este hecho puede resultar clave para distinguir las
diferentes etapas de la economía española, ya que cuando el valor real del PIB
es superior al nivel que indica su tendencia se dice que la economía
experimenta un proceso de expansión; por el contrario, cuando el valor del PIB 28 Este modelo predice que el PIB crece según la siguiente relación: Yt=Y0· exp(g· t), siendo “g”
la tasa de crecimiento. Si se toman logaritmos naturales a ambos lados, se obtiene que Ln(Yt) =
Ln(Y0) + g · t, que gráficamente se corresponde con una recta de pendiente “g”.
26
está por debajo del nivel tendencial, se dice entonces que la economía se
encuentra en contracción o recesión. La gráfica 4.2 muestra la componente
cíclica del PIB (diferencia entre el PIB real y estructural), que permitirá
diferenciar y caracterizar las diferentes etapas de la economía española
durante los 30 últimos años.
-.04
-.02
0.0
2.0
4
1980 1985 1990 1995 2000 2005 2010year
Gráfica 4.2. Evolución de la componente cíclica del PIB (Yc)
Según la evolución de la componente cíclica se distinguen las etapas
que se detallan a continuación:
1980-1986: Período de importante recesión económica provocada por la
crisis del petróleo y las crisis sectoriales.
1986-1990: Período de recuperación y expansión económica motivada
por la reconversión de algunos sectores industriales, la incorporación de
nuevos métodos de producción, la apertura de España al comercio europeo
tras su entrada en la Unión Europea y la preparación de obras públicas para
1992.
27
1990-1996: Nuevo período de recesión originada por la crisis del
petróleo a raíz de la Guerra del Golfo y los ajustes contractivos de Maastricht.
1996-2000: Periodo de crecimiento debido a la burbuja inmobiliaria que
estaba empezándose a generar, fomentada por la existencia de unos tipos de
interés bajos, que favorecían el consumo y la inversión, y al precio de las
materias primas (especialmente el del petróleo), que se mantenían en valores
relativamente bajos y estables.
2000-2004: La economía española sufre una ligera recesión, causada
por la inestabilidad de los mercados internacionales como consecuencia de la
crisis asiática de finales de los años 90, la caída bursátil de las empresas
tecnológicas y la desconfianza financiera y económica global que se produjo
después de los atentados del 11-S y la guerra de Afganistán. No obstante, y a
pesar de este panorama internacional, la economía española apenas se vió
afectada, en gran medida gracias a la situación expansiva del mercado
inmobiliario y turístico.
2004-2007: Periodo de crecimiento importante motivado por la
recuperación de la confianza de los mercados internacionales y el “boom”
inmobiliario y de demanda que se había estado generando durante los años
anteriores, basados en el endeudamiento.
2007-2009: Periodo de crisis mundial vinculada a la inestabilidad del
sistema financiero, provocando una fuerte desconfianza en los inversores y una
caída generalizada de las bolsas mundiales. En España, este fenómeno se ve
aún más agravado por el desplome de la construcción y el elevado
endeudamiento acumulado, que unidos al elevado volumen de inmigración
28
acumulado, provocan que la tasa de paro española se dispare en los últimos
años.
4.1.2. Tasa de desempleo.
La gráfica 4.3 muestra la evolución del desempleo real y estructural
español desde 1980. En ella puede apreciarse que durante toda la década de
los 80 el nivel de desempleo tuvo una tendencia creciente a largo plazo,
pasando de ser aproximadamente un 15% a principios de esta década, hasta
llegar a un 20% a finales de la misma; valor que se mantendría constante hasta
mitad de la década de los 90. A partir de este punto, la tendencia del
desempleo es decreciente, hasta situarse sobre el 12% en el año 2007, donde
se produce un nuevo punto de inflexión, experimentándose un ligero ascenso
tendencial durante estos últimos años, siendo mucho más acusado el
crecimiento que sufre el desempleo real, que alcanza valores cercanos al 20%,
cifras muy elevadas desde la perspectiva internacional.
.05
.1.1
5.2
.25
1980 1985 1990 1995 2000 2005 2010year
Ur Ue
Gráfica 4.3. Evolución de la tasa de desempleo real (Ur) y estructural (Ue)
29
-.04
-.02
0.0
2.0
4.0
6
1980 1985 1990 1995 2000 2005 2010year
Gráfica 4.4. Evolución de la tasa de desempleo cíclica (Uc)
Al igual que sucedía en el caso del Producto Interior Bruto, pueden
distinguirse los periodos de años en los que el desempleo real se encuentra por
encima de su nivel tendencial y los años en los que se sitúa por debajo de este
nivel. La gráfica 4.4 muestra la desviación de la tasa de desempleo respecto a
su componente estructural, observándose que las oscilaciones que se
producen no superan los 4 puntos porcentuales, a excepción del pico sufrido en
los últimos años, donde dicho valor supera los 6 puntos porcentuales.
Se puede comprobar también la relación inversa existente entre esta
última gráfica y la gráfica 4.2, donde se representaba el Producto Interior Bruto
cíclico español. Como cabe esperar, en los periodos de expansión económica,
donde el nivel del PIB es superior a su nivel tendencial, la tasa cíclica de
desempleo muestra valores más bajos; por el contrario, en los períodos de
recesión económica, es donde se producen los mayores valores de la tasa
cíclica de paro. Además, puede notarse que el efecto del PIB en el desempleo
es significativamente importante, ya que cuanto mayores son los cambios en
30
los valores del PIB, mayores son los cambios que se producen en la tasa
cíclica de paro.
4.1.3. Otras variables de interés. Inflación, tipo de interés nominal y gasto
público.
Además del PIB y del desempleo, existen otras variables
macroeconómicas con especial importancia en la evolución de una economía.
El Índice de Precios al Consumo (IPC) es un buen referente para estudiar la
variación en el coste de la vida, a través del cambio que sufren los precios de
consumo de los bienes y servicios considerados como básicos; además, el IPC
es un referente para determinar la indiciación de los salarios, las pensiones,
etc.
En España, el IPC comienza a principios de la década de los 80 con un
valor que supera el 15% anual, valor arrastrado ya desde la década de los 70,
como consecuencia de la primera crisis del petróleo, donde el incremento del
precio del barril (que quintuplicó su valor en apenas 1 año)29 disparó los costes
de producción y, por tanto, los precios del mercado. Posteriormente, decrece
continuamente (no sin algunos altibajos) hasta el valor actual en torno al 2,7%.
La justificación de esta evolución puede explicarse por la existencia de un gran
esfuerzo gubernamental por estabilizar la economía nacional tras su ingreso en
la Unión Europea (UE), disminuyendo la inflación hasta acercarse a la del resto
de los países centrales de la UE. A pesar de ello, la inflación española se
29 Véase Sánchez (2009).
31
caracteriza por presentar un ligero diferencial adverso respecto a los países
centrales de la UE30. 0
.05
.1.1
5.2
.25
1980 1985 1990 1995 2000 2005 2010year
INF INFe U Ue
Gráfica 4.5. Tasas de Inflación y Desempleo. Componentes reales y estructurales.
-.04
-.02
0.0
2.0
4.0
6
1980 1985 1990 1995 2000 2005 2010year
Uc INFc
Gráfica 4.6. Tasas de Inflación y Desempleo. Componentes cíclicas.
La gráfica 4.5 representa las componentes reales y tendenciales de la
tasa de desempleo y del IPC. Aunque en principio parece no existir una
relación inmediata entre desempleo e inflación, al representar sus 30 Véase Caraballo y Usabiaga (2009).
32
componentes cíclicas en la gráfica 4.6 parece observarse una ligera relación
negativa entre ambas variables31; reaccionando el IPC con cierto retardo frente
a las fluctuaciones de la tasa de desempleo. Ello se debe a que el IPC refleja la
evolución de la demanda, y, por lo tanto, refleja en parte la evolución de la tasa
de desempleo, tal y como establece la curva de Phillips. Este hecho puede
apreciarse con claridad en el comportamiento de ambas variables durante los
últimos tres años, donde la tasa de desempleo ha experimentado un fuerte
aumento, y el IPC por el contrario ha disminuido de forma importante, llegando
incluso hasta situaciones de deflación puntuales.
El tipo de interés nominal mide el coste de las inversiones o deudas
económicas, existiendo generalmente una dependencia importante entre esta
variable y la inflación. Así, por ejemplo, en períodos donde los precios
experimentan cambios al alza (tendencia inflacionista positiva), es de esperar
que el tipo de interés nominal aplicado en el sistema financiero aumente, para
compensar la depreciación que sufre la moneda. Por su parte, la relación entre
tipo de interés real e inflación viene determinada por la “regla de Taylor”32. La
interrelación entre IPC y tipo de interés nominal puede observarse con mayor
facilidad en la gráfica 4.7, donde se observa el paralelismo entre ambas
variables, tanto en su evolución real como tendencial o estructural.
Por otro lado, debemos recordar que el control sobre el tipo de interés
aplicado por el mercado financiero es otra variable fundamental que se posee
para regular la actividad económica, porque permite aumentar o disminuir las
inversiones realizadas. De esta forma, según la regla de Taylor, se aplican
31 Este hecho se pone también de manifiesto en el trabajo de Doménech y Gómez (2005). 32 Véase por ejemplo Blanchard et al. (2012, cap. 25).
33
tipos de interés bajos cuando la producción cae y el desempleo aumenta, para
estimular la inversión y la actividad económico-financiera, y se aumentan en
épocas de expansión, con el fin de disminuir la tendencia alcista de los precios,
como puede observarse en la gráfica 4.8.
0.0
2.0
4.0
6.0
8.1
1990 1995 2000 2005 2010year
INFr INFeINTr INTe
Gráfica 4.7. Inflación y Tipo de Interés Nominal.
-.04
-.02
0.0
2.0
4.0
6
1990 1995 2000 2005 2010year
Uc INTc
Gráfica 4.8. Tipo de Interés Nominal y Tasa de Desempleo. Componentes Cíclicas.
34
Finalmente, el gasto que realizan las Administraciones Públicas en cada
año dependerá de la situación económica del país, del dinero que ingresen, de
los gastos sociales y, evidentemente, de las decisiones políticas puntuales que
se tomen. Sin embargo, de todas estas variables, es la producción del país la
variable que condiciona en mayor medida el Gasto Público realizado por las
Administraciones. Esta situación puede observarse en la gráfica 4.9, donde se
aprecia una relación lineal clara entre ambas variables, cuando se toman
logaritmos naturales de sus valores reales medidos en millones de euros.
99.
510
10.5
1111
.512
12.5
Ln_G
asto
12.6 12.7 12.8 12.9 13 13.1 13.2 13.3 13.4Ln_Y
VALORES AJUSTE
Gráfica 4.9. Gasto público nacional frente al PIB.
La relación lineal estimada entre ambas variables es la que se indica a
continuación33:
LnGasto = 3.9877 · LnY – 41.2478 R2 = 0.9678 (4.1) (-26.85) (-21.26)
33 Entre paréntesis se muestra el valor del estadístico t.
35
De esa expresión se desprenden dos importantes conclusiones. La
primera es la fuerte relación lineal que existe entre ambas variables (como lo
indica un valor cercano a la unidad del coeficiente de determinación y la
elevada significatividad de los dos términos estimados); y la segunda es que la
proporción de recursos monetarios que destina el Gobierno a Gastos Públicos
ha crecido por encima del crecimiento que experimenta el PIB, puesto que el
valor de la pendiente de la recta de ajuste es superior a la unidad.
Por último, en la gráfica 4.10 se representan las componentes cíclicas de
ambas variables a lo largo del tiempo, y se observa el importante papel que
juegan las decisiones políticas en el Gasto Público nacional. De esta forma, se
observa algún signo de ciclo económico electoral y una bajada del gasto
nacional durante los años de gobierno del Partido Popular (1996-2004).
Finalmente, hay que apuntar el recorte presupuestario del Gobierno durante los
últimos años como consecuencia de la consolidación fiscal y la crisis.
-.1-.0
50
.05
.1
1985 1990 1995 2000 2005 2010year
GASTOc Yc
Gráfica 4.10. Gasto público y PIB. Componentes cíclicas.
36
4.2. Comunidades Autónomas.
En este apartado se comentarán las principales características de las
variables utilizadas en este trabajo desde un punto de vista regional,
explicándose las similitudes y diferencias más importantes entre las
Comunidades Autónomas (CCAA) y, en su caso, si existe algún tipo de relación
con los datos a nivel nacional. Sin excesiva pérdida de generalidad en los
comentarios realizados, utilizaremos las Comunidades de Andalucía, Canarias,
Cataluña y Castilla-León como representativas del conjunto, ya que además de
tener estructuras económicas basadas en sectores diferentes, pertenecen a
distintas zonas geográficas.
4.2.1. Producto Interior Bruto.
La gráfica 4.11 muestra la evolución de la componente cíclica del PIB de
las Comunidades Autónomas arriba indicadas, representándose además, como
referencia, la gráfica del ciclo de actividad español.
-.1-.0
50
.05
cicl
o
1980 1985 1990 1995 2000 2005 2010year
ESPAÑA ANDALUCIA CANARIAS CATALUÑA CASTILLA-LEON
Gráfica 4.11. Producción cíclica de las Comunidades Autónomas.
37
Como puede observarse en la gráfica anterior, desde el año 1980 se
está produciendo un proceso de homogeneización en el comportamiento del
PIB cíclico regional y una convergencia entre los ciclos de actividad regional y
nacional, lo que parece indicar que las estructuras productivas también deben
estar homogeneizándose.
Por otro lado, se ha observado un alto grado de relación lineal34 entre
las variaciones cíclicas de España y sus Comunidades, que salvo para las
CCAA de Extremadura y la Rioja se encuentra por encima del 0.7, lo que
demuestra la similitud existente entre todas las regiones.
Gráfica 4.12. Coeficiente de determinación entre el PIB cíclico de las CCAA y de España.
Esto queda patente en la gráfica 4.12, donde se ha representado,
ordenado de mayor a menor, el coeficiente de determinación existente entre el
PIB cíclico de cada Comunidad y el de España. De esta forma, puede
apreciarse que las Comunidades de Andalucía, Valencia y Madrid son las que
presentan mayor similitud con el comportamiento del conjunto nacional,
34 El coeficiente de determinación se ha obtenido realizando una regresión lineal simple entre
los valores del PIB cíclico de cada Comunidad y el de España.
38
mientras que en el extremo opuesto se sitúan las Comunidades de Baleares,
Extremadura y, especialmente, La Rioja.
Finalmente, se ha analizado el grado de relación existente entre el PIB
cíclico de las CCAA y el de España desde 1980 hasta 2009, obteniéndose que
Madrid, Murcia y Valencia son las regiones que más han respondido a los
efectos temporales que se han producido en la economía española, mientras
que Baleares, Castilla-La Mancha y Galicia son las que experimentan un efecto
menor35.
Gráfica 4.13. Crecimiento del PIB de las Comunidades en relación con España.
4.2.2. Tasa de desempleo.
Al igual que en el caso de la componente cíclica de la producción, las
tasas de desempleo cíclicas regionales presentan también gran similitud entre
ellas, aunque las peculiaridades de cada una de las economías hacen que la
evolución presente ciertas diferencias puntuales debidas, por ejemplo, al
diferente peso que determinados sectores tienen a nivel regional (agricultura en
35 En la gráfica se ha representado el valor de la pendiente de la recta de ajuste entre los ciclos
de actividad de cada Comunidad y de España. Por otro lado, como ya se comentó en la gráfica
4.11, cuanto más actual sea el período de estudio, menores serán las diferencias que se
observan entre las regiones.
39
Andalucía, turismo en Canarias y Baleares, industria en Cataluña y País Vasco,
etc.).
-.05
0.0
5.1
Uc
1980 1985 1990 1995 2000 2005 2010year
ESPAÑA ANDALUCIA CANARIAS CATALUÑA CASTILLA-LEON
Gráfica 4.14. Desempleo cíclico de las CCAA.
En la gráfica 4.15 se representan los valores del coeficiente de
determinación lineal del desempleo cíclico de cada Comunidad y el de España.
Los resultados de esta gráfica muestran la importante relación que existe entre
los efectos a nivel regional y nacional, ya que los valores del coeficiente de
correlación superan para todas las Comunidades el 0.8. Castilla-León, Madrid y
País Vasco son las Comunidades que presentan una mayor relación con la
evolución del desempleo nacional, mientras que Extremadura, Asturias y
Canarias son las Comunidades cuyo desempleo cíclico presenta una mayor
dispersión respecto a los datos nacionales.
40
Gráfica 4.15. Coeficiente de correlación entre el desempleo cíclico de las Comunidades y España.
Gráfica 4.16. Pendiente de la recta de ajuste entre el desempleo cíclico de las Comunidades y España.
Analizando los valores de la pendiente de la regresión lineal entre las
Comunidades Autónomas y España se concluye que las Comunidades en las
que el paro experimenta desviaciones por encima de la media nacional son, por
este orden, Valencia, Andalucía, Cataluña, Madrid y Murcia; mientras que en el
41
extremo opuesto se encuentran las Comunidades de Asturias, Galicia y
Navarra.
4.2.3. Otras variables de interés. Inflación, tipo de interés nominal y gasto
público.
El control de la inflación es una pieza clave en la política del Gobierno y
el Banco Central, y debido a que las leyes encaminadas a su control (precios
regulados, IVA, normas laborales, etc.) tienen aplicación en todo el territorio
nacional, en principio la evolución del IPC debería ser muy parecida entre las
diferentes Comunidades Autónomas, y cercana a la experimentada por el
conjunto de España.
-.04
-.02
0.0
2IN
Fc
1980 1985 1990 1995 2000 2005 2010year
ESPAÑA ANDALUCIA CANARIAS CATALUÑA CASTILLA-LEON
Gráfica 4.17. Inflación cíclica de las CCAA.
Al igual que en las gráficas de la producción y el desempleo cíclico, aquí
se aprecia también que el IPC se ha ido homogeneizando a lo largo del tiempo,
sobre todo a partir del año 1995, a raíz de la ley de autonomía del Banco de
42
España (1994) y el avance hacia la Unión Europea Monetaria (1998). Por otro
lado, destaca que en los períodos de prosperidad económica el IPC en
Canarias es ligeramente superior al de resto de las Comunidades, como
consecuencia posiblemente del importante peso del sector servicios y turístico
en su economía, que tiende a aumentar algo más los precios de los productos.
El tipo de interés está regulado, vía tipo de intervención, por el Banco
Central Europeo, cuyas decisiones tienen consecuencias en el mercado
financiero nacional, provocando que el tipo de interés aplicado por las
entidades financieras sea prácticamente idéntico en todas las regiones, por lo
que la gráfica que se obtendría para todas las Comunidades sería similar a la
obtenida para España36.
-.5-.2
50
.25
.5.7
51
1980 1985 1990 1995 2000 2005 2010year
ESPAÑA ANDALUCIA CANARIAS CATALUÑA CASTILLA-LEON
Gráfica 4.18. Gasto público cíclico de las CCAA.
36 De hecho, en la base de datos del INE, no se ofrecen resultados regionales para esta
variable, sino únicamente resultados nacionales.
43
Respecto al gasto que realizan las Administraciones de cada una de las
Comunidades, se aprecia en todas ellas una gran desviación positiva respecto
a la componente estructural hacia mediados de la década de los 80, causado
fundamentalmente por el incremento realizado en ayudas sociales durante ese
período. Por otro lado, durante los últimos años, la crisis y la consolidación
fiscal han obligado a las Administraciones a estabilizar sus presupuestos en
torno a su nivel de equilibrio, como lo demuestra que la componente cíclica del
Gasto Público de todas las regiones tienda al valor cero; es decir, a su valor
estructural.
En el ámbito regional, mientras que las Comunidades de Andalucía y
Cataluña tienden a ajustarse a la evolución de los presupuestos nacionales, sin
grandes diferencias, en las Comunidades de Canarias y Castilla-León se
observan diferencias apreciables respecto al comportamiento nacional, además
de producirse cambios significativos en un corto período de tiempo, como lo
demuestran los picos acusados de sus gráficas. La explicación a este hecho
hay que buscarla en las diferentes políticas seguidas por el Gobierno de la
Comunidad y el Estado.
5. METODOLOGÍA ECONOMÉTRICA.
Generalmente, el objetivo de cualquier estudio econométrico es la
búsqueda de relaciones matemáticas que permitan explicar el comportamiento
de una variable económica a partir de la observación en el tiempo de otras
variables diferentes, denominadas variables explicativas.
A lo largo de los siguientes apartados se expondrá la teoría general
básica de los diferentes métodos que se han aplicado en este estudio, con el
44
fin de servir como base teórica para la interpretación de los resultados que
después se expondrán. Para una mayor profundización en los conocimientos
teóricos que aquí se exponen, pueden consultarse las referencias bibliográficas
que se citan en el texto.
5.1. Análisis de series temporales. Regresión lineal y series
autorregresivas.
La forma más sencilla de establecer una relación entre una o varias
variables es suponer que entre ellas existe una relación polinómica lineal, que
puede expresarse de la siguiente forma:
Yt = β0 + β1X1t + β2X2t + ... + βktXkt + ut t = 1,…, n (5.1)
En la ecuación anterior existen k variables explicativas (regresores), que
permiten predecir el valor de la variable explicada o endógena Y en el instante t
a partir de los valores de los regresores. Evidentemente, y como suele pasar en
la mayoría de las relaciones sociales y económicas obtenidas de forma
empírica, el valor de la predicción difícilmente será exacto; es por ello que, para
establecer una relación de igualdad, es necesario introducir el término de error,
definido por ut.
El objetivo de este método es encontrar los valores de los parámetros βi
que mejor se ajusten a los datos Yt, o lo que es lo mismo, que minimicen los
errores dados por ut. Aunque existen muchos métodos para la estimación de
los parámetros, la forma más común es el método de mínimos cuadrados, que
45
minimiza la suma de los cuadrados de los errores de predicción.
Matemáticamente, puede escribirse como:
βi ---> Min ∑t
tu 2 (5.2)
El coeficiente de determinación R2 mide la proporción de la variación
total de Y explicada por la combinación lineal de los regresores, y se utiliza
para medir la precisión con la que las estimaciones de los parámetros βi junto
con los regresores se ajustan a los valores de la variable explicada Yt. El valor
del coeficiente de determinación puede tomar valores entre 0 y 1, ambos
inclusive. Cuanto más cercano a la unidad se encuentre el coeficiente de
determinación, mayor será la precisión y el poder de estimación de la ecuación
obtenida, y menor será el término de error; en cambio, un valor cercano a cero,
indicaría un ajuste pobre de la ecuación lineal obtenida a los datos empíricos
de Y.
Desde su aparición, a principios de los años 70, el análisis de series
autorregresivas univariantes se ha convertido también en una importante
herramienta de análisis para los estudios econométricos. La idea central de
esta metodología consiste en captar el patrón de la evolución en el tiempo que
muestra la serie a partir de las observaciones realizadas sobre ella en instantes
anteriores. En este sentido, el modelo de análisis autorregresivo univariante de
series temporales puede formularse de la siguiente forma:
Yt = F (Yt-1, Yt-2,...,Yt-n) + ut (5.3)
46
Obsérvese que los modelos basados en el análisis de series
autorregresivas de este tipo son, por lo general, más fáciles de estimar, ya que
en ellos no intervienen otras variables explicativas, sino exclusivamente la
variable objeto de estudio. Sin embargo, al realizar esta simplificación, se
pierde la posibilidad de conocer cómo las demás variables explicativas se
relacionan con la variable endógena y, por tanto, la posibilidad de usar un
modelo predictivo más útil y completo.
En el análisis de series autorregresivas se define el coeficiente de
correlación de orden k como:
)(),(
t
kttk YVAR
YYCOV −=ρ (5.4)
A la serie formada por todos los coeficientes de correlaciones posibles
se le denomina función de autocorrelación, y a su representación gráfica
correlograma, a partir del cual se pueden obtener importantes conclusiones
sobre las propiedades de la serie.
5.2. Datos de panel.
A lo largo de los apartados anteriores se ha realizado un estudio
temporal de las variables económicas de nuestro interés, bien sea para España
en su conjunto o alguna de sus Comunidades Autónomas. Es por ello que la
validez de las relaciones encontradas se reduce exclusivamente a las regiones
objeto del estudio, debiéndose contrastar la hipótesis en cada una de las
regiones, para poder realizar la generalización de resultados. En otras
47
palabras, el estudio descriptivo hasta ahora realizado no permite captar la
heterogeneidad de los datos y resultados de las diferentes regiones.
La técnica de datos de panel permite realizar un estudio más completo
de los datos, ya que es capaz de captar en un único análisis el aspecto
temporal e individual (también llamado transversal) de los datos manejados. En
este sentido, los datos de panel consiguen aumentar la eficiencia de las
estimaciones realizadas, puesto que aumentan el número de datos muestrales
que se utilizan en el análisis, cuantificando de una forma más exacta que
aquellos estudios realizados mediante exclusivamente un análisis temporal o
transversal los efectos de las variables explicativas.
El modelo general que sigue la metodología de datos de panel se basa
en la regresión descrita en la siguiente ecuación matricial:
Y = Xit ß+ uit (5.5)
Siendo:
i (1,…,N) los datos de carácter tranversal (regiones, en nuestro caso).
t (1,…,T) cada año del periodo temporal utilizado.
Xit es la matriz que incluye la i-ésima observación de todas las variables
explicativas en el instante t.
ß es la matriz que incluye los parámetros a estimar durante la regresión.
uit es la matriz que incluye los términos de error de la estimación.
A partir de este modelo general, y asumiendo ciertas restricciones y
consideraciones sobre algunos de los parámetros, es posible definir las
diferentes variantes de los modelos basados en la técnica de datos de panel.
48
El modelo más sencillo es aquel que considera que las observaciones de
los distintos individuos a lo largo del tiempo no están correlacionadas entre sí, y
que el término de error se distribuye entre los individuos y en el tiempo de
forma idéntica, independiente y normalmente; es decir, se observa
homocedasticidad. Este modelo recibe el nombre de “regresiones pooled” y,
bajo este supuesto, la estimación de resultados se corresponde a un modelo
lineal de ajuste por mínimos cuadrados de las observaciones.
Sin embargo, se puede considerar que los errores pueden
descomponerse en un término de error fijo para cada individuo (αi) más otro
que se distribuye de forma aleatoria entre individuos y en el tiempo (ηit); es
decir:
uit = αi + ηit (5.6)
La diferente forma de considerar el comportamiento del término de error
fijo individual nos permite distinguir entre dos nuevos modelos, el de efectos
fijos y efectos aleatorios.
Aunque existen muchas explicaciones sobre las diferencias entre ambos
modelos37, una interesante es la que apuntan Johnston y Dinardo (2001)38: “la
diferencia más importante entre ambos modelos no reside en el hecho de si el
efecto es fijo o no, sino en si el efecto se correlaciona o no con las variables
explicativas”. Así pues, en el caso de que dichos efectos se encuentren
correlacionados con los regresores, las estimaciones realizadas mediante el
modelo de efectos fijos serán más apropiadas, mientras que en caso contrario
lo será el de efectos aleatorios.
37 Véase Mayorga y Muñoz (2000) y Kennedy (2008, cap. 18). 38 Para más información, consúltese el capítulo 12.
49
Además de esta diferenciación, existen también otros criterios
estadísticos que, dependiendo de la estructura de los datos, permiten evaluar
qué modelo sería el más correcto de aplicar. Así, por ejemplo, puede citarse el
contraste de Wu-Hausman39 o el análisis de las varianzas tras una
estimación.40
5.3. Modelo de ecuaciones aparentemente no relacionadas.
Este modelo econométrico, también conocido como modelo SUR
(“Seemingly Unrelated Regression”), fue formulado por Arnold Zellner en el año
1962 (Zellner,1962), con el fin de obtener un método que permitiese incluir la
dependencia espacial contemporánea entre los términos de error en los
sistemas de regresiones lineales. En general, y sin entrar en mayor profundidad
teórica, se puede decir que este modelo consiste en una regresión lineal donde
cada ecuación puede tener sus propias restricciones y variables explicativas,
pero donde se incluyen otras relaciones de dependencia entre los residuos
procedentes de las ecuaciones, con el fin de captar la correlación serial que
existe entre ellos.
El modelo general de Ecuaciones Aparentemente no Relacionadas
puede escribirse de la siguiente forma:
Y = Xit ß+ uit E[uit] = 0 E[uit ujt] = σit (5.7)
Siendo:
i (1,…,N) los datos de carácter transversal (regiones).
t (1,…,T) cada año del periodo temporal utilizado. 39 Para más información, veáse Johnston y Dinardo (2001, pp. 462-463). 40 Véase Baum (2006, pp. 227-229) y Kennedy (2008, pp. 292-293).
50
6. ANÁLISIS ECONOMÉTRICO. ESTIMACIONES DE LA LEY DE OKUN.
En los siguientes apartados se muestran y comentan los principales
resultados obtenidos cuando se relaciona el ciclo de desempleo con los ciclos
de las distintas variables económicas, mediante las diferentes técnicas
econométricas presentadas, haciendo especial hincapié en la relación entre
nivel de desempleo y de producción.
6.1. Análisis de series temporales. Regresión lineal y series
autorregresivas.
A continuación se presentan los resultados obtenidos para la estimación
de los parámetros de la relación 3.2, realizando una regresión lineal simple de
forma independiente para cada una de las Comunidades Autónomas. Además,
se presenta junto al valor obtenido para la pendiente de la recta de ajuste, el
nivel de significación del estadístico t, así como el coeficiente de determinación
(R2) para cada una de las regresiones realizadas. Puede comprobarse que los
valores de los parámetros estimados son significativos para la mayoría de las
Comunidades Autonómas, y se observa por lo general un buen ajuste entre los
valores reales y la recta estimada. Además, destaca que la estimación para el
conjunto nacional presenta los valores mayores del coeficiente de Okun, del
estadístico t y del coeficiente de determinación.
51
Región Coeficiente Okun (β) Error estándar t 41 R2
AND -1.0167 0.1354 -7.51 0.6683 ARA -0.6391 0.1248 -5.12 0.4837 AST -0.4388 0.1650 -2.66 0.2017(**) BAL -0.4773 0.1715 -2.78 0.2167(**) CAN -0.7779 0.1166 -6.67 0.6140 CAT -0.9321 0.1127 -8.28 0.7098 CL -0.5709 0.1464 -3.90 0.3521 CM -0.4115 0.0900 -4.57 0.4275 CTB -0.4826 0.0880 -5.42 0.5123 ESP -1.0241 0.0822 -12.46 0.8472 EXT -0.173 0.1358 -1.27(*) 0.0548(**) GAL -0.6591 0.1508 -4.37 0.4056 LR -0.0985 0.1018 -0.97(*) 0.0324(**)
MAD -0.7744 0.1389 -5.22 0.4930 MUR -0.6946 0.1304 -5.33 0.5035 NAV -0.4795 0.0647 -7.41 0.6625 PV -0.7389 0.0782 -9.45 0.7614
VAL -0.9316 0.1205 -7.73 0.6809
Tabla 6.1 Estimación de la recta de Okun según Ur – Ue = β · Ln(Yr/Ye) + ε
Los valores que recoge la tabla 6.1 son cercanos a los que Maza y
Villaverde (2007a) presentan en su estudio42, aunque éstos realizaron las
estimaciones mediante métodos de panel y con una serie de datos que
terminaba en el año 2004. En comparación con este trabajo, destaca la
coincidencia de las regiones con coeficientes que resultan ser no significativos
(Extremadura y La Rioja). Por su parte, los valores calculados contrastan con
41 (*) indica los valores del estadístico t que corresponden a un parámetro estimado no
significativo con un nivel de confianza del 95%, y (**) un ajuste pobre de la nube de puntos a la
recta estimada. 42 Para comparar los resultados hay que considerar que Maza y Villaverde (2007a) utilizan una
formulación alternativa a la que se utiliza en este estudio; es decir, Ln(Yr/Ye) =β·Ur – Ue + ε. Si
se hubiese utilizado esta formulación hasta el año 2004, se obtendría para España un valor de
-0.90, para Andalucía de -0.82 y para Cataluña de -0.78, frente a los de Maza y Villaverde
(2007a) de -0.91, -0.83 y -0.76 respectivamente.
52
los obtenidos por Belmonte y Polo (2004), quienes utilizan la misma
especificación que en el presente trabajo, pero con una serie de datos que
llega hasta el año 2001, obteniendo para la economía española un coeficiente
de –0.74 43.
A modo de ejemplo, se representan a continuación la nube de puntos
junto con las rectas de regresión para España y algunas Comunidades
Autónomas representativas, donde puede observarse el diferente ajuste para
cada caso.
-.04
-.02
0.0
2.0
4.0
6C
iclo
Des
empl
eo
-.04 -.03 -.02 -.01 0 .01 .02 .03 .04Ciclo PIB
VALORES RECTA DE AJUSTE
ESPAÑA-.0
4-.0
20
.02
.04
.06
.08
Cic
lo D
esem
pleo
-.05 -.04 -.03 -.02 -.01 0 .01 .02 .03 .04 .05CICLO PIB
VALORES RECTA DE AJUSTE
ANDALUCIA
-.05
-.03
-.01
.01
.03
.05
.07
.09
Cic
lo D
esem
pleo
-.06 -.05 -.04 -.03 -.02 -.01 0 .01 .02 .03 .04 .05 .06 .07 .08CicloPIB
VALORES RECTA AJUSTE
MURCIA
-.1-.0
8-.0
6-.0
4-.0
20
.02
.04
Cic
lo D
esem
pleo
-.1 -.08 -.06 -.04 -.02 0 .02 .04 .06 .08 .1CicloPIB
VALORES RECTA DE AJUSTE
EXTREMADURA
Gráfica 6.1. Rectas de Okun estimadas para la relación Ur – Ue = β ∙ Ln(Yr/Ye) + ε
43 En el presente estudio, si se utilizase la serie de datos desde 1980 hasta 2001, el resultado
para España sería de -0.94.
53
Para contrastar la validez de las estimaciones realizadas, se analizarán
brevemente las propiedades del residuo ε obtenido tras calcular las diferencias
entre los valores reales y los apuntados según la recta de ajuste. Sin pérdida
de generalidad, nos centraremos en el caso de España.
En primer lugar, se representa gráficamente la evolución en el tiempo del
residuo que, como puede comprobarse, no parece tener a simple vista un
patrón definido, aunque a partir del año 2005 destaca la similitud con la gráfica
del ciclo del desempleo, donde se produce una acusada tendencia creciente.
-.02
-.01
0.0
1.0
2V
ALO
R D
EL R
ESI
DU
O
1980 1985 1990 1995 2000 2005 2010year
ESTIMACIÓN DE ESPAÑA
Gráfica 6.2. Residuos de la regresión estimada para España
La tabla 6.2 muestra algunas de las propiedades más relevantes que
presenta la serie de datos que conforma el residuo.
Valor Medio 6.05· 10-11 Cov (Uct, εt) 0.3909 Desviación Estándar 0.0101 Cov (Yct, εt) -0.0000
Test Breusch-Pagan44 (Prob > ξ )= 0.64 Cov (εt, εt-1) 0.6240 Test Bartlett45 Prob > B = 0.001
Tabla 6.2. Propiedades del residuo según Ur – Ue = β · Ln(Yr/Ye) + ε
44 Test de heterocedasticidad en la serie. H0 = Residuos homocedásticos. 45 Test de ruido blanco. H0 = La serie no es un ruido blanco.
54
A raíz del análisis del residuo se concluye que la serie es
heterocedástica, existiendo una importante correlación serial con su primer
retardo y con la variable endógena (ciclo del desempleo), pero no con la
exógena (ciclo de la producción). Sin entrar en más detalles teóricos, las
conclusiones obtenidas de la serie indican que quizás la relación entre el
desempleo cíclico y la producción cíclica no es exactamente lineal, o que por
ejemplo se pueden estar omitiendo variables relevantes que pueden añadir
información para explicar la evolución del ciclo del desempleo46.
A continuación se estudiará un modelo autorregresivo de la serie del
desempleo incluyendo sus dos primeros retardos, según la siguiente
ecuación47:
Uc t = β1·Uc t-1 + β2 ·Uc t-2 + β3+ ε (6.1)
Los valores que se obtienen para cada una de las regiones se presentan en la
tabla 6.3. Puede observarse que los coeficientes de los retardos son
significativos en prácticamente todas las regiones, mientras que el término
independiente β3 resulta no significativo en todas ellas, con un valor cercano a
cero48. Asimismo, destaca que el valor estimado del primer retardo es positivo
en todas las Comunidades, mientras que para el segundo son todos negativos,
con un valor absoluto inferior al primero.
46 Para más información sobre los resultados de los tests, puede consultarse Gujarati (2004). 47 Si se realiza el correlograma del ciclo de desempleo, se observa que la correlación entre
ciclos decae de forma sinusoidal, mientras que la parcial contiene algún pico, indicando esto
que se trata de un modelo AR(2). Véase Gujarati (2004, p. 844). 48 En teoría β3 debe ser cero, ya que las medias de Uct y sus retardos son prácticamente cero.
55
REGIÓN β1 β2 β3 R2
AND 1.243 -0.705 0.001 0.6565 t = 6.82 -3.81 0.31(*)
ARA 1.141 -0.542 0.001 0.6056 t = 0.192 (*) 0.186(*) 0.003(*)
AST 0.537 -0.238 0.001 0.1974(*) t = 2.48 -1.12(*) 0.22(*)
BAL 1.037 -0.654 0.001 0.5357 t = 5.37 -3.40 0.30(*)
CAN 1.081 -0.550 0.001 0.5073 t = 5.05 -2.54 0.32(*)
CAT 1.289 -0.733 0.001 0.7054 t = 7.60 -4.50 0.39(*)
CL 1.232 -0.686 0.001 0.6598 t = 6.84 -3.83 0.34(*)
CM 1.102 -0.548 0.001 0.5345 t = 5.26 -2.61 0.19(*)
CTB 1.051 -0.551 0.001 0.5328 t = 5.27 -2.81 0.28(*)
ESP 1.459 -0.868 0.001 0.7128
t = 7.65 -4.66 0.47(*)
EXT 0.384 0.003 0.001 0.1302(*) t = 1.80 (*) 0.01(*) 0.24(*)
GAL 0.915 -0.554 0.001 0.4664 t = 4.67 -2.85 0.36(*)
LR 0.7936 -0.295 0.002 0.3830(*) t = 3.79 -1.44(*) 0.47(*)
MAD 1.318 -0.648 0.001 0.7038 t = 7.01 -3.48 0.43(*)
MUR 1.197 -0.625 0.001 0.5860 t = 5.82 -3.02 0.37(*)
NAV 1.078 -0.5997 0.001 0.5908 t = 5.97 -3.37 0.38(*)
PV 1.191 -0.617 -0.001 0.6146 t = 6.15 -3.36 0.39(*)
VAL 1.403 -0.816 0.001 0.6901 t = 7.32 -4.38 0.37(*)
Tabla 6.3. Estimación de parámetros según Uc t = β1·Uc t-1 + β2 ·Uc t-2 + β3+ ε
Obviamente, los coeficientes deben tener distinto signo, ya que de lo
contrario se obtendría una función continuamente creciente (si los signos son
positivos) o decreciente (si son negativos), pero no una función estacionaria. El
56
hecho de que el primer retardo sea positivo con mayor valor absoluto indica
que la tasa de desempleo cíclica de la economía española mantiene de forma
acusada la tendencia del nivel obtenido para el año anterior, mientras que el
valor del segundo retardo actúa como desacelerador de esta tendencia.
Por otro lado, la ecuación propuesta consigue explicar, en el mejor de
los casos, el 70% de la variación del ciclo de desempleo, con valores similares
a los obtenidos para el modelo anterior. La gráfica 6.3 muestra el ajuste de la
estimación realizada a la evolución del ciclo del desempleo español, junto con
el valor de los residuos. Puede comprobarse que el comportamiento de los
residuos parece no seguir un patrón definido, apuntando más bien a un
proceso aleatorio. De nuevo, se observa una variación hacia el final de la
muestra.
-.04
-.02
0.0
2.0
4.0
6
1980 1985 1990 1995 2000 2005 2010year
Uc ESTIMACIÓN
ESPAÑA
-.02
0.0
2.0
4R
esid
uals
1980 1985 1990 1995 2000 2005 2010year
RESIDUOS
Gráfica 6.3. Estimación y residuos del modelo autorregresivo para España
Valor Medio 3.85· 10-11 Cov (Uct, εt) 0.5395 Desviación Estándar 0.0140 Cov (Uct-1, εt) -0.0150 Test Breusch-Pagan (Prob > ξ )= 0.52 Cov (Uct-2, εt) -0.0402
Test Bartlett Prob > B = 0.9952 Cov (εt, εt-1) -0.0478
Tabla 6.4. Propiedades del residuo según Uc t = β1·Uc t-1 + β2 ·Uc t-2 + β3+ ε
57
La tabla 6.4 resume algunas de las propiedades más importantes del
residuo. Observando los resultados parece que el problema se encuentra bien
formulado, ya que el valor medio del residuo es nulo y, además, no se
encuentra correlación con las variables explicativas, ni autocorrelación. El test
de Bartlett confirma que el comportamiento del residuo cumple con las
propiedades de un ruido blanco, mientras que el test de Breusch-Pagan indica
que la estimación es heteroscedástica.
Para terminar el análisis de las series de datos, se intentará buscar un
modelo multivariante, que independientemente de que incluya retardos o no
de algunas de las variables del problema, cumpla de la mejor forma posible las
condiciones de aceptabilidad; esto es, grado de ajuste de la estimación a los
datos reales, significatividad de los parámetros obtenidos y propiedades del
residuo, entre otros.
Sin mencionar todos los modelos estudiados por motivos de espacio,
indicaremos que la mejor relación encontrada es la que incluye como variables
explicativas el ciclo de la producción y su primer retardo, el ciclo de la inflación
y el primer retardo del desempleo cíclico. Analíticamente, lo anterior puede
expresarse de la siguiente forma:
Uc t = β1·Uc t-1 + β2 ·Yc t + β3 ·Yc t-1 + β4 · IFct+ ε (6.2)
Los valores estimados de los coeficientes de la relación anterior para
cada una de las regiones y España se detallan en la tabla 6.5. Varias son las
conclusiones que se derivan de los resultados obtenidos. Realizando una
simple inspección de los signos de los diferentes coeficientes (sin tener en
58
consideración el nivel de significatividad) se observa que tanto β1 como β3 son,
con alguna excepción, positivos, mientras que β2 y β4 son negativos.
REGIÓN β1 β2 β3 β4 R2
AND 0.252 -1.041 0.338 -0.564 0.772 t = 1.16(*) -5.82 1.6(*) -1.79(*)
ARA 0.685 -0.504 0.508 -0.946 0.695 t = 3.95 -3.53 3.55 -0.35(*)
AST 0.156 -0.309 0.066 -0.889 0.437 t = 0.840(*) -1.76(*) 0.35(*) -2.66
BAL 0.570 -0.392 0.431 -0.222 0.467 t = 2.88 -2.03(*) 2.33 -0.64(*)
CAN 0.612 -0.716 0.426 0.244 0.703 t = 2.73 -4.97 2.40 0.93(*)
CAT 0.627 -0.995 -0.843 -0.155 0.867 t = 3.97 -7.20 5.73 -0.66(*)
CL 0.592 -0.456 0.059 -0.070 0.611 t = 3.26 -3.14 0.39(*) -0.30(*)
CM 0.523 -0.500 0.402 -0.431 0.674 t = 2.65 -4.32 3.62 -1.76(*)
CTB 0.407 -0.404 0.152 -0.429 0.637 t = 2.23 -3.98 1.09(*) -1.43(*)
ESP 0.545 -1.034 0.606 -0.270 0.910
t = 3.12 -10.84 3.46 -1.68(*)
EXT 0.249 -0.039 -0.138 -0.385 0.200 t = 1.05(*) -0.21(*) -0.84(*) -0.76(*)
GAL 0.455 -0.514 0.370 -0.125 0.518 t = 2.21 -2.81 1.91(*) -0.52(*)
LR 0.633 0.020 0.193 -0.205 0.478 t = 2.9 0.16(*) 1.94(*) -0.68(*)
MAD 0.636 -0.572 0.033 -0.112 0.816 t = 4.20 -5.44 0.22(*) -0.39(*)
MUR 0.608 -0.622 0.567 -0.122 0.673 t = 2.61 -3.36 3.40 -0.43(*)
NAV 0.176 -0.366 -0.094 -0.141 0.737 t = 0.84(*) -4.78 -0.81(*) -0.70(*)
PV 0.273 -0.723 -0.197 0.186 0.832 t = 1.52(*) -7.82 1.41(*) 1.02(*)
VAL 0.348 -1.11 0.831 -0.393 0.850 t = 1.66(*) -6.56 5.18 -1.57(*)
Tabla 6.5. Estimación de parámetros Uc t = β1·Uc t-1 + β2·Yc t + β3·Yc t-1 + β4· IFct+ ε
59
El parámetro β1 indica que existe una relación positiva entre el nivel de
desempleo cíclico que se produce en un año y el que se produjo en el año
anterior, pero de forma amortiguada, puesto que su valor es menor a la unidad.
El signo negativo de β2 muestra que un incremento en la producción cíclica,
disminuirá el nivel de desempleo; además, a excepción de Andalucía, España y
Valencia, la proporción entre crecimiento productivo y desempleo eliminado es
menor a la unidad. Para concluir, β4 permite captar la relación negativa entre
desempleo e inflación (tal y como establece la curva de Phillips), aunque sus
valores son estadísticamente no significativos, como también ocurre para β3 en
la mayoría de los casos. Respecto a la capacidad explicativa de la inflación en
el ciclo de desempleo, el presente trabajo coincide con los resultados obtenidos
por Doménech y Gómez (2005), quienes concluyen que “el contenido
informativo de la inflación para caracterizar el ciclo económico es menor que el
que proporcionan la tasa de desempleo y la inversión, de manera que el output
gap obtenido al incluir la curva de Phillips en el modelo inicial resulta similar al
estimado cuando se omite la inflación en el modelo”.
Por último, analizaremos la predicción del modelo implementado. La
gráfica 6.4 muestra la estimación y el residuo para España, mientras que la
tabla 6.6 resume las propiedades más relevantes de este último.
60
-.04
-.02
0.0
2.0
4.0
6
1980 1985 1990 1995 2000 2005 2010year
PREDICCIÓN Uc
ESPAÑA
-.02
-.01
0.0
1.0
2R
ESID
UO
S
1980 1985 1990 1995 2000 2005 2010year
ESPAÑA
Gráfica 6.4. Estimación y residuos del modelo autorregresivo para España.
Valor Medio 2.41· 10-11 Cov (Uct-1, εt) 0.0000 Desviación Estándar 0.0077 Cov (Yct, εt) -0.0000 Test Breusch-Pagan (Prob > ξ )= 0.4163 Cov (Yct-1, εt) -0.0000
Test Bartlett Prob > B = 0.7508 Cov (IFct-1, εt) -0.0000 Cov (εt, εt-1) 0.0782 Cov (Uct-1, Yct-1) -0.9150
Tabla 6.6. Propiedades del residuo según Uc t = β1·Uc t-1 + β2 ·Yc t + β3 ·Yc t-1 + β4 · IFct+ ε
Puede apreciarse que la estimación realizada con este modelo se ajusta
mejor a los datos reales que en el caso del modelo anterior. Los tests
realizados indican que el residuo no muestra correlación con las variables
explicativas, ni autocorrelación; además, el test de Bartlett muestra que posee
prácticamente las propiedades de un ruido blanco. Quizás el único
inconveniente de este modelo es el resultado del test de Breusch-Pagan, que
indica la existencia de heterocedasticidad, y la elevada correlación existente
entre las variables explicativas.
6.2. Análisis mediante panel de datos.
Hasta ahora se han realizado las estimaciones considerando sólo la
dimensión temporal de los datos de cada una de las regiones. La técnica de
panel de datos presenta la ventaja de incluir también en el modelo la dimensión
transversal, permitiendo captar la variabilidad en los datos debida a las
61
características propias de cada región. Así pues, mientras que en las
estimaciones de los modelos anteriores se utilizaban exclusivamente los datos
de cada región para calcular sus propios parámetros, en los modelos basados
en el panel de datos se utiliza también la información procedente de otras
regiones.
Comenzaremos realizando una estimación “pooled” del ciclo de
desempleo respecto a sus componentes temporales y estructurales, creando
para ello una variable “dummy” por cada año y Comunidad Autónoma (a
excepción de España) de la siguiente forma:
Uit = β1 + β2 + ... + βn + λ1+ λ2+…+ λm + uit i=1,…,n t = 1,…,m (6.3)
donde el subíndice “i” representa la dimensión estructural y “t” la temporal49.
Las estimaciones de cada uno de los parámetros se presentan en la
tabla 6.7. Puede observarse que ambas componentes son significativas en
todos sus términos, pero en el caso de la parte estructural los valores de todos
los parámetros son prácticamente idénticos (diferencias inferiores a 2·10-4).
Este hecho apunta una importante característica de la economía española: que
la evolución del ciclo de desempleo no depende tanto de las unidades
regionales como de la evolución de otras variables macroeconómicas y las
decisiones políticas, económicas o sociales que influyen de forma global en el
territorio español.
49 Para más información teórica véase la metodología econométrica del apartado 5.
62
COMPONENTE TEMPORAL COMPONENTE ESTRUCTURAL λ valor t β valor t 1 -0.0839527 -21.61 1 0.0594277 17.47 2 -0.067834 -17.46 2 0.0595323 17.50 3 -0.0602346 -15.50 3 0.0593775 17.45 4 -0.0594727 -15.31 4 0.0594463 17.47 5 -0.0378002 -9.73 5 0.0595156 17.49 6 -0.0325864 -8.39 6 0.0595452 17.50 7 -0.0424772 -10.93 7 0.0595009 17.49 8 -0.0558003 -14.36 8 0.0594933 17.49 9 -0.0674643 -17.36 9 0.0594531 17.48 10 -0.084826 -21.83 10 0.0595052 17.49 11 -0.0931626 -23.98 11 0.0595191 17.50 12 -0.0885562 -22.79 12 0.0595026 17.49 13 -0.0655758 -16.88 13 0.0595214 17.50 14 -0.0287943 -7.41 14 0.0594895 17.49 15 -0.0234885 -6.05 15 0.0595304 17.50 16 -0.0329469 -8.48 16 0.059497 17.49 17 -0.035053 -9.02 17 0.059488 17.49 18 -0.0419554 -10.80 19 -0.0492811 -12.68 20 -0.0662457 -17.05 21 -0.0701072 -18.04 22 -0.0939388 -24.18 23 -0.0718843 -18.50 24 -0.0657435 -16.92 25 -0.0673687 -17.34 26 -0.0796105 -20.49 27 -0.0831222 -21.39 28 -0.085827 -22.09 29 -0.0492928 -12.69
Coeficiente de determinación R2=0.8180.
Tabla 6.7. Estimación “pooled” con “dummies” estructurales y temporales.
Lo anterior puede observarse con mayor claridad en la gráfica 6.5,
donde se representan las tasas de desempleo cíclico que se han producido en
cada Comunidad Autónoma a lo largo de los últimos 30 años. Puede apreciarse
como la tasa de desempleo cíclico se mueve dentro de una banda de anchura
bastante constante, teniendo esta banda además una evolución cíclica en el
tiempo similar al desempleo cíclico que se observa en cada región. Por lo tanto,
63
la componente temporal tendrá mayor capacidad explicativa sobre el
desempleo cíclico que la componente estructural.
-.1-.0
50
.05
.1U
c
1980 1985 1990 1995 2000 2005 2010year
Gráfica 6.5. Evolución conjunta del desempleo cíclico en el tiempo.
-.05
0.0
5.1
1980 1985 1990 1995 2000 2005 2010year
ciclo_u Predicción Residuos
ANDALUCIA
Gráfica 6.6. Estimación y residuos del modelo “pooled” para Andalucía.
A modo de ejemplo, la gráfica 6.6 representa la estimación obtenida para
el caso del desempleo cíclico de Andalucía junto con el error de la estimación.
Se aprecia que la predicción se ajusta con una exactitud aceptable a los datos
reales; sin embargo, la evolución del residuo muestra períodos de tiempo
donde alterna valores positivos consecutivos con negativos consecutivos. En
general, esta propiedad del residuo no es la deseada, porque podría ser un
64
indicio de que alguna variable cíclica está omitiéndose en el modelo50. Esta
conclusión parece tener sentido si se tiene en cuenta que en la formulación
anterior no se introdujo ninguna variable macroeconómica como regresor. La
siguiente regresión contempla las diferentes variables que se han considerado
en este estudio51:
Ucit = β1 · Ycit + β2 · INFcit + β3·Iit + β4·GPcit + β5 · FSit + β6 + ε (6.4)
El inconveniente principal que presenta la relación 6.4 es la limitación
que impone sobre la longitud de las series de datos, ya que la estimación
quedará limitada al intervalo de tiempo de la serie más corta. En este sentido,
las series más restrictivas se corresponden con el interés nominal (I), con datos
disponibles a partir del año 1990, y el porcentaje de ocupados con formación
superior (FS), con datos a partir del 2001. Nótese por tanto que esta última
variable será la más restrictiva, limitando el periodo de estimación a la última
década, captando por tanto apenas un ciclo del desempleo; por ello, las
estimaciones en las que se incluya esta variable, en principio, tenderán a ser
poco significativas, debido a la escasez de datos. Por este motivo, en la tabla
6.8 se presentan dos grupos de estimaciones, dependiendo de si se incluye o
no la variable de formación superior. El objetivo principal de haber realizado la
50 Para más información sobre la caracterización del residuo a partir de las rachas de signos,
véase Gujarati (2004, p. 465) (Runs o Geary test). 51 INF = Tasa Inflación; I = Tipo de Interés ; GP = Gasto Público ; FS = % ocupados con
formación superior (“c” denota si la variable es una componente cíclica). Para el tipo de interés
y los ocupados con formación superior se han considerado los valores reales, ya que su
componente cíclica no aporta información relevante.
65
regresión con esta variable es intentar explicar si existe alguna relación entre el
nivel formativo y el nivel de desempleo.
SIN INCLUIR FS INCLUYENDO FS Sin constante Con constante Sin constante Con constante valor t valor t valor t valor t
β1 (Yc) -0.6021 -14.20 -0.6433 -14.75 -1.2975 -9.34 -1.3971 -9.51
β2 (INFc) -0.5939 -4.89 -0.6859 -5.58 -0.4025 -1.76 (*) -0.3735 -1.64 (*)
β3 (I) 0.0011 4.15 0.0025 5.01 0.0092 4.05 0.0096 4.25
β4 (GPc) -0.0241 -3.38 -0.0162 -2.19 -0.0264 -2.32 -0.0253 -2.24
β5 (FS) n / a n / a n / a n / a -0.0305 -3.77 0.0793 1.38 (*)
β6 n / a n / a -0.0091 -3.30 n / a n / a -0.1027 -1.93 (*)
R2 0.5021 n / a 0.5121 n / a 0.6536 n / a 0.6430 n / a (*) Valores no significativos con un 95% de confianza.
Tabla 6.8. Estimación “pooled” incluyendo variables macroeconómicas.
Por otro lado, en cada grupo se han realizado dos regresiones, una
incluyendo la constante (β6) y otra sin incluirla, con el fin de captar qué
influencia se generaría en el nivel de desempleo en el caso de que el valor de
todos los regresores fuesen nulos.
Varias son las conclusiones que se desprenden de la tabla anterior,
entre las cuales destacamos las siguientes:
- Entre todas las variables que se han utilizado, el ciclo de producción es la
variable con mayor índice de significatividad; además, y como es de esperar,
un aumento en el ciclo de producción produce una disminución en el ciclo de
desempleo, ya que esta situación requiere un aumento en los recursos
humanos empleados.
- Existe también una relación negativa entre el ciclo de la inflación y el ciclo de
desempleo, estando en sintonía con la teoría de la curva de Phillips; aunque su
efecto es menor que el de los cambios provocados por el ciclo de producción.
66
- El aumento del Gasto Público produce también una caída en el desempleo.
Este hecho puede explicarse porque parte del Gasto Público se destina a la
generación de empleo; pensemos, por ejemplo, en los recursos destinados a
Obras Públicas o las ayudas a la creación de empresas. Un dato interesante a
destacar es que su efecto se sitúa en torno al -0.02 en todas las regresiones
realizadas.
- El tipo de interés muestra una relación positiva, aunque bastante débil, con el
desempleo cíclico, ya que su efecto resulta ser menor al 0.01. No obstante,
todas las estimaciones para este parámetro son significativas.
- La tercera regresión parece indicar que un aumento en el porcentaje de
ocupados con formación superior hace disminuir el desempleo52 cíclico.
- Finalmente, se observa que con el grupo de variables elegidas se explica el
50%, o incluso más, de la variación del ciclo de desempleo, como se
desprende de los valores del coeficiente de determinación.
A continuación se realizarán las estimaciones de los parámetros de las
variables anteriores considerando si los efectos son fijos o aleatorios. Para
este análisis se va a prescindir de la variable del número de empleados con
formación superior (FS), ya que de lo contrario se restringiría la estimación
prácticamente a la última década; además, los resultados de la tabla 6.8
muestran que su inclusión en la regresión provoca la disminución de la
significatividad del resto de variables.
La tabla 6.9 recoge los valores de los parámetros de cada una de las
variables mediante los dos métodos empleados. 52 Obsérvese que en el caso de la regresión que incluye la constante, el coeficiente FS es
positivo, pero los valores de la constante y de la propia variable FS resultan ser no
significativos.
67
Efectos Fijos Efectos aleatorios Regresión Pooled valor t valor z valor t
β1 (Yc) -0.6483 -14.49 -0.6433 -14.75 -0.6433 -14.75
β2 (INFc) -0.6796 -5.41 -0.6859 -5.58 -0.6859 -5.58
β3 (I) 0.0025 4.95 0.0025 5.01 0.0025 5.01
β4 (GPc) -0.0176 -2.27 -0.0162 -2.19 -0.0162 -2.19
β6 -0.0090 -3.20 -0.0091 -3.31 -0.0091 -3.30
R2 0.5178 0.5178 0.5178
σu 0.0018 0 n / a
σe 0.0197 0.0197 n / a
θ 0.1103 0 n / a
corrmax (u,X) 0.1186 (GPc) 0 (asumida) n / a Test Hausman 0.9550
Tabla 6.9. Resultados de las estimaciones mediante metodología de panel.
La primera conclusión que se obtiene al realizar una simple inspección
de los valores estimados para cada uno de los parámetros, es que no existen
diferencias apreciables entre ellos, ni siquiera en sus niveles de significatividad
o en la bondad del ajuste de la predicción dada por el valor del coeficiente de
determinación (R2). Junto con los valores estimados se muestran también las
varianzas del efecto individual (σu) y aleatorio (σe), el valor del parámetro θ
utilizado como elemento de decisión sobre la validez de los modelos
implementados, y la correlación máxima encontrada entre el efecto individual
(ui) y los regresores. Los resultados de este conjunto de datos llevan a concluir
que el método más adecuado a utilizar es el método de efectos aleatorios53, tal
y como se desprende del valor de σu cercano a cero y el estadístico del test de
Hausman con significatividad superior al 95%. No obstante, el hecho de que la
correlación entre ui y los regresores y que el valor del parámetro θ no sean
53 Para más información sobre el significado de los parámetros y los criterios de aceptación de
los modelos, veáse la sección dedicada a la metodología econométrica.
68
exactamente nulos para el caso de efectos fijos, podría ser un indicio de que el
método de efectos aleatorios no es del todo apropiado, siendo en este caso
más conveniente quizás utilizar el modelo de efectos aleatorios
generalizados54.
La diferencia principal entre el modelo de efectos fijos y el modelo de
efectos aleatorios se encuentra en las restricciones que ambos modelos
imponen a la componente fija (ui). Mientras que en el modelo de efectos fijos, ui
es una constante a calcular para cada una de las Comunidades Autónomas, en
el modelo de efectos aleatorios se impone que ui es cero para todas esas
unidades. Esto puede observarse con mayor claridad realizando un análisis de
las partes que componen el residuo total, tal y como se muestra en la tabla
6.10 para el caso de Andalucía (a modo de ejemplo):
EFECTOS FIJOS EFECTOS ALEATORIOS media Desv. estándar media Desv. estándar
ui -0.0013 0.0000 0.0000 0.0000 αit 0.0000 0.0213 -0.0012 0.0214
εit = ui+ αit -0.0013 0.0213 -0.0012 0.0214
Tabla 6.10. Descomposición de los residuos de los modelos de efectos fijos y aleatorios.
En la gráfica 6.7 se representa, a modo de ejemplo, la predicción para el
ciclo de desempleo de Andalucía mediante el modelo de efectos aleatorios.
54 Véase Baum (2006, pp. 229).
69
-.05
-.025
0.0
25.0
5.0
75.1
1990 1995 2000 2005 2010year
Uc Predicción Residuos
ANDALUCIA
Gráfica 6.7. Estimación y residuos del modelo de efectos aleatorios para Andalucía.
Puede comprobarse que la predicción que realiza el modelo no es muy
exacta, como ya se podía intuir del valor tan moderado del coeficiente de
determinación (R2) que se obtuvo en las regresiones. Especialmente, hay que
destacar la discreta predicción que realiza el modelo en torno a los máximos y
mínimos que se producen dentro de cada ciclo de desempleo.
El cálculo de las correlaciones temporales entre los residuos obtenidos
tras la predicción para cada Comunidad Autónoma tiene especial interés, ya
que si se observa una correlación importante entre ellos podría ser un indicio
de que el modelo utilizado anteriormente no es el más eficiente, sugiriendo
quizás, en este sentido, que un modelo SUR55 sería más correcto. La tabla
6.11 muestra algunos datos estadísticos de la matriz de correlaciones de los
residuos del ciclo de desempleo para cada una de las Comunidades
Autónomas.
55 SUR es el acrónimo en inglés de “Seemingly Unrelated Regression”, que traducido al
español significa regresiones aparentemente no relacionadas. Para más información y
referencias sobre este modelo, véase la sección econométrica y el siguiente apartado.
70
Media Desviación estándar Máximo (valor absoluto) 0.5133 0.2461 0.8623
Tabla 6.11. Resultados estadísticos de la matriz de residuos.
De la tabla anterior se deduce que existe una correlación importante
entre los residuos procedentes de las estimaciones para cada región (como
indica un valor medio superior a 0.5), por lo que quizás un modelo SUR podría
ser más adecuado. El siguiente apartado desarrolla y comenta una serie de
predicciones basadas en este tipo de modelos.
6.3. Análisis mediante regresiones aparentemente no relacionadas.
Como se indica en Baum (2006), los modelos SUR son más adecuados
que los modelos de panel de datos (modelo de efectos fijos y aleatorios)
cuando la longitud de las series en la componente estructural es relativamente
reducida respecto a la componente temporal del panel de datos que
conforman, y especialmente cuando los residuos de las estimaciones para
cada unidad de corte transversal se encuentran correlacionados. En el caso del
panel de datos con el que hemos trabajado en este estudio, no se puede decir
que la componente temporal sea considerablemente mayor que la estructural,
puesto que la serie del tipo de interés restringe el registro de datos a los últimos
veinte años (desde 1990), mientras que la longitud estructural del panel es de
diecisiete unidades (una por Comunidad Autónoma); pero sí que es un modelo
más apropiado desde el punto de vista de la correlación temporal de los
residuos. Por otro lado, a medida que la base de datos vaya creciendo con la
incorporación de los nuevos datos anuales para cada una de las variables
71
explicativas, o si no contásemos con la serie de tipo de interés, la componente
temporal del panel de datos tenderá a ser cada vez mayor en relación a la
componente estructural, ya que esta última se encuentra determinada por el
número de regiones. Finalmente, los modelos SUR aumentan la flexibilidad de
las estimaciones realizadas, ya que permiten que cada unidad estructural
pueda tener sus propios coeficientes βi.
En este apartado se presentan los resultados del siguiente modelo de
ecuaciones:
Ucit = β1 · Ycit + β2 · INFcit + β3·Iit + β4·GPcit +β5+ ε (6.5)
Nótese que esta ecuación es muy similar a la ecuación 6.4 que se
implementó en el apartado de panel de datos, salvo que en este caso no se ha
introducido la variable de “Nivel de Formación Superior” (FS) porque restringe
la longitud temporal al año 2001, disminuyendo fuertemente los grados de
libertad necesarios para poder realizar la estimación, y, por consiguiente,
pudiéndose incurrir en estimaciones poco eficientes.
Los resultados de la estimación realizada se presentan en la siguiente
tabla56 6.12. El cálculo de la matriz de los residuos procedentes de cada una
de las restricciones utilizadas para cada región muestra un promedio de
0.4943, con una desviación estándar de 0.1892, valores suficientemente
elevados como para justificar la utilidad del modelo de Ecuaciones
Aparentemente no Relacionadas.
56 El símbolo (*) indica los valores no significativos al 95% de confianza.
72
REGIÓN β1 β2 β3 β4 β5 R2
AND -1.0383 -0.6813 0.0035 -0.0060 -0.0160 0.7962 t -11.48 -2.87 2.26 -0.19 (*) -1.85(*)
ARA -0.7939 0.0048 0.0029 0.0044 -0.0141 0.5243 t -12.05 0.03(*) 1.66(*) 1.94(*) -1.53(*)
AST -0.4808 -1.1090 0.0014 -0.0676 0.0034 0.5841 t -6.96 -4.4 0.84(*) -11.05 0.4(*)
BAL -0.6785 -0.7981 0.0043 -0.0198 -0.0139 0.308 t -8.44 -2.94 1.99 -3.98 -1.21(*)
CAN -1.3568 0.4597 0.0013 -0.0215 -0.0063 0.776 t -16.09 3.04 1.00(*) -2.3 -0.87(*)
CAT -1.3589 0.4684 0.0042 -0.0833 -0.0102 0.8086 t -15.16 2.67 3.04 -4.65 -1.36(*)
CL -0.9925 0.0101 0.0006 0.0124 -0.0057 0.577 t -12.28 0.05(*) 0.44(*) 2.44 -0.80(*)
CM -0.7733 -0.6502 0.0052 -0.0370 -0.0170 0.7968 t -19.82 -5.76 4.45 -10.00 -2.72
CTB -0.8209 -0.1214 0.0016 -0.0023 -0.0083 0.7747 t -21.76 -1.03(*) 1.42(*) -0.59(*) -1.34(*)
ESP -1.0082 -0.4570 0.0021 -0.0463 -0.0051 0.8895 t -21.04 -3.61 2.44 -3.15 -1.08(*)
EXT -0.5379 -0.7801 0.0021 -0.0163 -0.0078 0.4321 t -15.56 -4.53 1.00(*) -1.92(*) -0.69(*)
GAL -0.9679 -0.2709 -0.0001 0.0201 -0.0013 0.6062 t -13.49 -1.50(*) -0.09(*) 3.56 -0.21(*)
LR -0.3216 -0.4975 0.0032 -0.0460 -0.0063 0.3147 t -5.85 -2.48 1.67(*) -8.98 -0.63(*)
MAD -0.5560 -1.2922 -0.0010 -0.0206 0.0074 0.5704 t -8.39 -5.05 -0.55(*) -2.15 0.72(*)
MUR -0.6769 -0.9197 0.0055 -0.0043 -0.0233 0.635 t -13.96 -4.98 2.98 -1.23(*) -2.32
NAV -0.4564 -0.3960 0.0000 -0.0085 -0.0003 0.6609 t -20.3 -3.77 0.05(*) -2.90 -0.07(*)
PV -0.7401 -0.1936 0.0008 0.0107 -0.0057 0.862 t -20.42 -1.41(*) 1.09(*) 1.25(*) -1.38(*)
VAL -0.7721 -0.5974 0.0053 -0.1592 -0.0100 0.7674 t -16.98 -3.28 3.34 -7.00 -1.21(*)
Tabla 6.12. Estimación mediante Ecuaciones Aparentemente no Relacionadas.
En cuanto a los resultados, se observa que los regresores
correspondientes al ciclo de la producción y la inflación cíclica son, salvo
excepciones, negativos y significativos, lo que implica la existencia de una
73
relación negativa entre estas dos variables y el ciclo de desempleo, como
predicen la ley de Okun y la curva de Phillips en sus versiones más sencillas.
Centrándonos en estas dos variables, y a raíz de los valores de significatividad
de los parámetros, se puede apreciar que la dependencia entre el ciclo de la
producción y el desempleo, es mayor que entre éste y la inflación cíclica. En
cuanto al efecto que tienen estas dos variables en el desempleo, no se observa
una regla fija, ya que existen Comunidades Autónomas en las que el efecto del
ciclo de producción es mayor que el de la inflación (por ejemplo, Andalucía,
Cataluña o Galicia) y regiones en las que sucede justo lo contrario (por
ejemplo, Asturias, Madrid o Murcia). En este sentido, destacan también las
Comunidades de Canarias y Cataluña, ya que son las únicas regiones que
muestran un valor positivo del parámetro de la inflación, presentando
paradójicamente un comportamiento contrario al que predice la curva de
Phillips.
Respecto al Tipo de Interés y al Gasto Público, resultan ser no
significativos para la gran mayoría de regiones. Tan sólo Baleares, Cataluña,
Castilla-La Mancha y la Comunidad Valenciana resultan tener los coeficientes
de estas variables explicativas significativos al 95% de confianza. También se
aprecia que la influencia de estas dos variables sobre el ciclo de desempleo es
menor que en las anteriores, ya que el valor absoluto máximo del coeficiente
para el Tipo de Interés se mantiene inferior al 0.0055 (Murcia) y para el Gasto
Público es de 0.1592 (Valencia). El hecho de que todos los parámetros del Tipo
de Interés resulten ser positivos indica que la tasa de desempleo aumenta
cuando se produce un aumento de dicha variable, debido principalmente a la
disminución de la inversión inmobiliaria y empresarial, frenándose por tanto el
74
crecimiento. Por el contrario, un aumento en el Gasto Público tiende, en
general, a disminuir el desempleo, como se desprende del signo negativo de
sus coeficientes. La explicación se debe a que parte del Gasto Público se
destina a la formación de desempleados, creación y refuerzo de algunos
sectores empresariales, Obras Públicas, etc.; decisiones éstas que tienden a la
creación de empleo de alguna forma. No obstante, resulta curioso el caso de
las Comunidades de Aragón, Castilla-León, Galicia y País Vasco, cuyos
coeficientes para el Gasto Público son positivos, aunque sólo en el caso de
Galicia y Castilla-León son significativos con un 95% de confianza.
Finalmente, la constante de la ecuación 6.5 (β5) resulta no significativa
(con excepción de Castilla–La Mancha y Murcia), con un valor bastante
reducido, ya que apenas supera el 0.01. Este hecho, junto con los valores
bastante aceptables del coeficiente de determinación, con un valor medio del
0.65, llegando incluso a ser superior al 0.8 en Comunidades como Andalucía,
Cataluña, País Vasco e incluso España, muestran que el modelo utilizado
explica con bastante precisión las variaciones que se producen en el ciclo de
desempleo.
A continuación, a modo de ejemplo, se presentan de forma gráfica las
estimaciones realizadas para algunas Comunidades Autónomas y España.
75
-.0
4-.0
20
.02
.04
.06
1990 1995 2000 2005 2010year
Uc Predicción Residuos
ESPAÑA
-.06
-.04
-.02
0.0
2.0
4.0
6.0
8
1990 1995 2000 2005 2010year
Uc Predicción Residuos
ANDALUCIA
76
-.04
-.02
0.0
2.0
4.0
6
1990 1995 2000 2005 2010year
Uc Predicción Residuos
CASTILLA - LA MANCHA
-.04
-.02
0.0
2.0
4
1990 1995 2000 2005 2010year
Uc Predicción Residuos
PAIS VASCO
Gráfica 6.8. Estimación y residuos del modelo SUR.
Las gráficas anteriores muestran un buen ajuste entre la predicción y los
datos reales, especialmente en el tramo que va desde 1990 al año 2000. A
partir del año 2000 la predicción no consigue captar con precisión los picos tan
acusados que se producen, aunque sí consigue reproducir el incremento
notable que se produce en el desempleo durante los últimos tres años, con un
desfase de aproximadamente un año.
77
Respecto a los residuos, debemos comentar que los tests de Bartlett
realizados para cada una de las regiones indican que, salvo en el caso de
Andalucía (p=0.0448) y Castilla y León (p=0.289), se tratan de ruidos blancos,
por lo que según este análisis parece no haberse omitido, en principio, ninguna
variable explicativa con repercusión importante en el ciclo del desempleo.
6.4. Evolución temporal del coeficiente de Okun.
Hasta el momento, hemos utilizado modelos basados en el análisis de
un período de tiempo fijo, con el fin de obtener las estimaciones del ciclo del
desempleo a partir de ciertas variables macroeconómicas. El principal
inconveniente que presenta este tipo de análisis es que impide determinar si ha
existido o no un cambio temporal en el valor numérico de los coeficientes de
cada uno de los regresores; es decir, no podemos saber si dichos coeficientes
se han mantenido o no constantes en el tiempo. En este apartado, se
implementará un estudio similar al realizado por Knotek (2007) para la
economía de los Estados Unidos, donde se calculan los coeficientes de los
regresores del modelo a partir de sucesivas estimaciones basadas en
diferentes tramos de tiempo.
En nuestro trabajo, a modo de ejemplo, analizaremos la estabilidad de
los parámetros para el caso de Andalucía, basándonos en la siguiente
regresión:
Uc t = β1·Uc t-1 + β2 ·Yc t + β3 ·Yc t-1 + β4 · IFct+ ε (6.6)
78
Para ello, usaremos dos metodologías de cálculo diferentes:
a) Ventanas de tiempo móviles, pero de longitud finita. En este método, el
tramo temporal sobre el que se realizan las estimaciones mantiene su longitud,
avanzando en el tiempo un periodo entre dos estimaciones consecutivas. En
este trabajo se utilizará una ventana temporal de 10 años, considerada lo
suficientemente amplia como para producir valores representativos del periodo
de análisis, y un avance de 1 año entre cada estimación. De esta forma, la
primera regresión estará basada en el periodo comprendido entre 1980 y 1989,
la segunda entre 1981 y 1990, la tercera entre 1982 y 1991, y así
sucesivamente.
b) Ventanas de tiempo con periodo inicial fijo y con incremento de longitud
finito. En este método, se realiza la estimación sobre un tramo de tiempo que
incluye siempre el periodo inicial, y en cada estimación se añade un nuevo
periodo a la ventana de tiempo, de forma que la longitud de ésta aumenta
progresivamente. Para esta metodología hemos utilizado una ventana de
tiempo de 10 años, con un incremento de 1 año. Así, la primera estimación se
realiza sobre el periodo de tiempo comprendido entre 1980 y 1989, la segunda
sobre el periodo 1980 y 1990, la tercera entre 1980 y 1991, y así
sucesivamente hasta llegar al año 2009, con una longitud máxima de ventana
de 30 años.
Obviamente, la evolución de los parámetros calculados por el primer
método tenderá a presentar mayor variabilidad que los calculados por el
segundo, ya que en este último conforme la longitud de la ventana empieza a
ser grande, el efecto de añadir un nuevo periodo resulta cada vez menos
determinante. Por otro lado, el primer método resultará más útil para observar
79
si los parámetros se han mantenido constantes o no en el tiempo, ya que la
información de cada ventana se restringe a lo que sucede en los 10 años
anteriores. Así, la primera ventana nos proporcionará información de los
valores de los parámetros para la década de los 80, mientras que la última nos
proporcionará estos valores para la última década. En cambio, en la
metodología de ventanas de tiempo con período inicial fijo, en la última
estimación se incluye también información de los años iniciales. Lógicamente,
la última regresión de esta segunda metodología, la que debe incluir toda la
extensión temporal de la serie de datos, es la que se ha utilizado en muchos de
los apartados anteriores.
Las gráficas que a continuación se presentan muestran la evolución
temporal de los diferentes coeficientes de la ecuación (6.6), mediante los dos
métodos descritos, para Andalucía.
-.5-.2
50
.25
.5
1990 1995 2000 2005 2010
B1 ventana móvil B1 ventana longitud variable
último año de la ventana
Gráfica 6.9. Evolución temporal de β1 para Andalucía.
80
-2-1
.5-1
-.50
.51
1990 1995 2000 2005 2010
B2 ventana móvil B3 ventana móvilB2 ventana longitud variable B3 ventana longitud variable
último año de la ventana
Gráfica 6.10. Evolución temporal de β2 y β3 para Andalucía.
-1.5
-1-.5
0.5
11.
52
1990 1995 2000 2005 2010
B4 ventana móvil B4 ventana longitud variable
último año de la ventana
Gráfica 6.11. Evolución temporal de β4 para Andalucía.
81
.6.6
5.7
.75
.8.8
5.9
.95
1
1990 1995 2000 2005 2010
R2 ventana móvil R2 ventana longitud variable
último año de la ventana
Gráfica 6.12. Evolución temporal del coeficiente de determinación R2 para Andalucía.
La evolución temporal del parámetro β1 (Uct-1) calculada por el método
de ventanas móviles alterna periodos en los que su valor es positivo con otros
en los que es negativo, indicando que el efecto de la “inercia” del desempleo en
el nivel contemporáneo del mismo ha sufrido cambios temporales. En teoría,
quizás lo deseable desde un punto de vista económico, sería que el coeficiente
de Uct-1 fuese negativo en los periodos en los que el desempleo se sitúa por
encima de su valor tendencial, y positivo en aquellos periodos en los que se
encuentra por debajo; de forma que el efecto global del término tendiese a
restablecer el equilibrio de la componente tendencial en cualquier situación. La
gráfica 6.9 muestra que, para el caso de Andalucía, el requisito anterior no se
cumple; es llamativo que durante la crisis de los últimos años dicho valor se ha
incrementado desde 0 a 0.4.
La evolución de los coeficientes de la producción retardada (β3) y
contemporánea (β2) muestra dos etapas bien diferenciadas. La primera de ellas
82
abarcaría la década de los años 90, caracterizada por una estabilidad en el
valor de los parámetros, donde además el coeficiente de la producción
retardada fluctúa en torno a cero; y la segunda que iría desde el año 2000
hasta la actualidad, donde se producen cambios bruscos tanto en β2 como en
β3. Utilizando un modelo diferente al nuestro, el estudio de Knotek (2007) para
la economía norteamericana también desvela que el peso de la producción en
el desempleo ha sufrido un cambio importante durante los últimos años,
tendiendo a ser menor que para el caso español. Concretamente, en los
Estados Unidos, el coeficiente de Okun, tomando datos trimestrales y una
ventana de 13 años, ha pasado de ser -0.09 en el año 1995 a -0.04 en 2007.
Por otro lado, Sögner y Stiassny (2002), calculan también la evolución temporal
entre producción y desempleo para varios países de la Unión Europea,
mostrando que para la mayoría de ellos se está produciendo una caída reciente
en el valor del coeficiente de Okun. Como apuntan Andrés y Doménech (2010),
para España, este cambio en el coeficiente que une producción y desempleo
se debe principalmente a la evolución del sistema laboral, con creación de
empleos con baja productividad, un incremento de los contratos temporales y la
incorporación de inmigrantes, provocando una mayor flexibilidad del mercado
laboral y una mayor dependencia entre desempleo y producción. Finalmente,
destaca la “asimetría” temporal entre el efecto de la producción retardada y la
contemporánea a partir del año 2000, aunque el peso de la producción
contemporánea es mayor que el de la retardada.
La gráfica 6.11 indica que la inflación siempre ha contribuido a disminuir
el nivel de desempleo, puesto que β4 es negativo en prácticamente todo el
periodo. Esta relación negativa entre desempleo e inflación está en sintonía
83
con la teoría de la curva de Phillips. Además, el cálculo realizado mediante el
método de ventanas de longitud variable, desvela que a largo plazo el efecto se
ndad de los
oeficientes de determinación obtenidos durante los últimos años.
significativas entre ellas. Es por ello que un estudio global basado en datos de
ha mantenido de forma constante en torno a -0.5.
Finalmente, en la gráfica 6.12, se muestra la evolución temporal del
coeficiente de determinación R2. Puede observarse que hasta el año 2000 el
grado de bondad del ajuste es muy aceptable, ya que la gráfica se sitúa incluso
por encima de 0.9, lo que nos indica que las variables utilizadas en el modelo
consiguen captar el 90% de la variabilidad que se produce en el desempleo
cíclico durante ese periodo. Tras el año 2000 el coeficiente de ajuste cae
progresivamente, hasta 0.7 aproximadamente, lo que nos viene a indicar que
en épocas de grandes cambios en el ciclo del desempleo las variables
explicativas manejadas no resultan quizás suficientes, al menos con las
especificaciones utilizadas. Por otro lado, aunque las regresiones realizadas
mediante el método de ventana extensible muestran un grado de ajuste mejor
en los últimos años, realmente es consecuencia de que en la década de los 80
se obtuvieron grados de ajuste superiores, ya que este método tiene en cuenta
los datos desde el año 1980, compensando en parte la discreta bo
c
7. CONCLUSIONES.
A lo largo del presente trabajo se ha concluido que un análisis cíclico de
las economías regionales de España, para explicar el nivel de desempleo de
cada una de ellas a partir de una serie de variables macroeconómicas, como
por ejemplo la producción y la inflación, muestra que no existen diferencias
84
panel puede no resultar necesario, independientemente de si se implementa
con efectos fijos o aleatorios.
Teniendo en cuenta que la correlación entre los residuos procedentes de
las estimaciones regionales es importante, el modelo de Ecuaciones
Aparentemente no Relacionadas (también conocido como modelo SUR) se
presenta como un método más eficiente para un estudio de estas
características.
También se ha observado que las variables que mayor significatividad
poseen para explicar el ciclo de desempleo, son el ciclo de la producción y el
ciclo de la inflación, seguidas del ciclo del Gasto Público y del Tipo de Interés,
aunque el peso de estas dos últimas variables resulta ser considerablemente
menos importante que el de las dos primeras. Por otro lado, debemos señalar
que con este conjunto de variables y mediante la metodología SUR se han
conseguido resultados robustos y aceptables desde el punto de vista de la
capacidad predictiva.
Por otro lado, el estudio sobre la evolución en el tiempo de los
coeficientes, indica que la relación entre el ciclo de desempleo y las variables
explicativas ha cambiado significativamente, especialmente en la última
década, donde se observa una mayor vinculación del desempleo al nivel de
producción. Por tanto, dada la importancia del coeficiente de Okun, la
economía española deberá crecer a cierto ritmo si quiere bajar el volumen de
desempleo, para lo que hará falta un cierto mantenimiento de la demanda
agregada, aparte de adoptar otras reformas estructurales, como la laboral
(Usabiaga, 2007, 2010).
85
El presente trabajo, tras hacer uso de una amplia batería de
metodologías econométricas, destaca el interés del modelo de ecuaciones
aparentemente no relacionadas para nuestro objeto de estudio. Se han tomado
como variables explicativas las variables macroeconómicas más importantes
que, en principio, se relacionan con el ciclo de desempleo, como son el ciclo de
la producción y el ciclo de la inflación. No obstante, se podría profundizar más,
tomando otros indicadores económicos aparte de los incluidos en este trabajo,
evaluando la complejidad del problema y la dificultad para encontrar las series
de datos para cada región. Es decir, se podría intentar una investigación más
exhaustiva con modelos que incluyesen un mayor número de variables, como
por ejemplo salarios, costes laborales y productividad –véase por ejemplo
Gómez et al. (2011)-, y profundizar también en el análisis de los retardos de las
mismas –modelos VAR, VEC, etc.-. En este sentido, por ejemplo, y
aprovechando la flexibilidad que proporciona el modelo de ecuaciones
aparentemente no relacionadas, en cuanto que permite incluir ecuaciones
diferentes para cada unidad estructural, se podría plantear un modelo en el que
cada región posea sus propias restricciones y variables explicativas a la hora
de caracterizar el desempleo cíclico, pudiendo contribuir este tipo de análisis a
explicar los diferenciales regionales en términos de desempleo, bastante
persistentes en España (Usabiaga, 2004).
Finalmente, también sería interesante realizar un análisis similar
considerando por ejemplo los países de la zona Euro, para determinar si entre
ellos existen diferencias significativas en cuanto a la relación cíclica entre el
desempleo y las demás variables socioeconómicas.
86
8. BIBLIOGRAFÍA.
Andrés, J., Boscá, J.E., Doménech, R. y Ferri, J. (2009): “Job Creation in Spain:
Productivity Growth, Labour Market Reforms or Both?”, Universidad de
Valencia, Instituto de Economía Internacional, Documento de Trabajo nº
0903.
Andrés, J. y Doménech, R. (2010): “Cambio de Modelo y Creación de Empleo
en España: ¿Podemos Permitirnos no Reformar el Mercado Laboral?”, en
Dolado, J.J. y Felgueroso, F. (Coordinadores): Propuesta para la
Reactivación Laboral en España, FEDEA, Madrid.
Bande, R., Fernández, M. y Montuenga, V. (2008): ”Regional Unemployment in
Spain: Disparities, Business Cycle and Wage Setting”, Labour Economics,
15 (5), pp. 885-914.
Baum, C.F. (2006): An Introduction to Modern Econometrics Using Stata, Stata
Press, Lakeway Drive (Texas).
Baxter, M. y King, R.G. (1995): “Measuring Business Cycles: Approximate
Band-Pass Filters for Economic Time Series”, National Bureau of Economic
Research (NBER), Documento de Trabajo nº 5022.
Belmonte, A. y Polo, C. (2004): “Formulaciones de la Ley de Okun y Resultados
para España”, en Sebastián, C., Pérez, J. y Tedde de Lorca, P.
(Coordinadores): Estudios en Homenaje a Luis Ángel Rojo: Políticas,
Mercados e Instituciones Económicas, vol. 1, Editorial Complutense,
Madrid, pp. 263-294.
Blanchard, O.J., Amighini, A. y Giavazzi, F. (2012): Macroeconomía, quinta
edición, Pearson, Madrid.
Caraballo, M.A. y Usabiaga C. (2009): Análisis Desagregado de la Inflación
Española y Andaluza, Instituto de Estadística de Andalucía, Sevilla.
Cuaresma, J.C. (2003): “Okun’s Law Revisited,” Oxford Bulletin of Economics
and Statistics, 65 (4), pp 439-451.
Del Río, A. (1999): “Agregación Temporal y Filtro Hodrick-Prescott”, Centro de
Estudios Monetarios y Financieros (CEMFI), Tesina, nº 9910.
Doménech, R. y Gómez, V. (2005): “Ciclo Económico y Desempleo Estructural
en la Economía Española”, Investigaciones Económicas, 29 (2), pp. 259-
288.
87
Freeman, D.G. (2000): “Regional Tests of Okun's Law”, International Advances
in Economic Research, 6 (3), pp. 557-570.
Gómez, F., Caraballo, M.A. y Buitrago, E.M. (2011): “Precios, Costes Laborales
Unitarios y Márgenes: ¿Cuál es el Orden de la Causalidad?”, Centro de
Estudios Andaluces, Documento de Trabajo nº E2011/07.
Gómez, F. y Usabiaga, C. (2001): “Las Estimaciones del Desempleo de
Equilibrio de la Economía Española: Una Panorámica”, Revista de
Economía Aplicada, 9 (27), pp. 103-129.
Gordon, R.J. (1984): “Unemployment and Potential Output in the 1980s”,
Brookings Papers on Economic Activity, 15, pp. 537–64.
Gordon, R.J. (2010): “Okun’s Law and Productivity Innovations”, American
Economic Review. Papers and Proceedings, 100 (2), pp. 11-15.
Gujarati, D. (2004): Basic Econometrics, cuarta edición, McGraw-Hill, New
York.
Hamilton, J.D. (1994): Time Series Analysis, Princeton University Press,
Princeton (N.J.).
Johnston, J. y Dinardo, J. (2001): Métodos de Econometría, Vicens-Vives,
Barcelona.
Kennedy, P. (2008): A Guide to Econometrics, sexta edición, Wiley-Blackwell,
Oxford.
Knoteck, E.S. (2007): “How Useful is Okun´s Law?”, Federal Reserve Bank of
Kansas City, Fourth Quarter, pp. 73-103.
Lal, I., Muhammad, S.D., Anwar, M. y Hussain, A. (2010): “Test of Okun’s Law
in Some Asian Countries. Co-Integration Approach”, European Journal of
Scientific Research, 40 (1), pp. 73-80.
Martin, B. (1999): El Mercado de Trabajo en España y Andalucía. Fuentes de
Datos, Descomposición de Series y Relaciones entre las Series y sus
Componentes, Proyecto Fin de Carrera, Universidad de Sevilla, Escuela
Superior de Ingenieros, Sevilla.
Mayorga, M. y Muñoz, E. (2000): “La Técnica de Datos de Panel. Una Guía
para su Uso e Interpretación”, Banco Central de Costa Rica, Departamento
de Investigaciones Económicas, Documento de Trabajo DIE-NT-05-2000.
88
Maza, A. y Villaverde, J. (2007a): “Okun’s Law in the Spanish Regions”,
Economics Bulletin, 18 (5), pp. 1-11.
Maza, A. y Villaverde, J. (2007b): “The Robustness of Okun’s Law in Spain,
1980-2004. Regional Evidence”, XXXIII Reunión de Estudios Regionales,
León.
Murillo, I.P. y Usabiaga, C. (2003): “Estimaciones de la Tasa de Paro de
Equilibrio de la Economía Española a partir de la Ley de Okun”, Instituto de
Estudios Fiscales, Papeles de Trabajo, Serie Economía, nº 15/03.
Okun, A.M. (1962): "Potential GNP: Its Measurement and Significance",
Proceedings of the Business and Statistics Economic Section, American
Statistical Association, pp. 98-104.
Pérez, J.J., Rodríguez, J. y Usabiaga, C. (2003): "Análisis Dinámico de la
Relación entre Ciclo Económico y Ciclo del Desempleo: Una Aplicación
Regional", Investigaciones Regionales, 2, pp. 141-162.
Phillips, A.W. (1958): "The Relationship between Unemployment and the Rate
of Change of Money Wages in the United Kingdom, 1861-1957",
Economica, 25 (100), pp. 283-299.
Sánchez, M.A. (2009): “La Crisis Económica como Evidencia Empírica de un
Curso de Macroeconomía”, Universidad de Granada, Departamento de
Economía Aplicada, mimeo.
Sögner, L. y Stiassny, A. (2002): “An Analysis on the Structural Stability of
Okun’s Law - A Cross-Country Study,” Applied Economics Letters, 14, pp.
1775-1787.
Stock, J. y Watson, M. (1998): “Business Cycle Fluctuations in U.S.
Macroeconomics Time Series”, National Bureau of Economic Research
(NBER), Documento de Trabajo nº 6528.
Usabiaga, C. (2004): El Diferencial de Desempleo Andaluz. Análisis
Macroeconómico del Mercado de Trabajo Andaluz en Comparación con el
del Resto de España (1980-2000), Aconcagua, Sevilla.
Usabiaga, C. (2007): “La Reforma del Mercado de Trabajo: El Caso Español”,
Papeles de Economía Española, 111, pp. 177-197.
89
90
Usabiaga, C. (2010): “La Relación entre el Crecimiento, el Desempleo y el
Empleo: El Caso Español”, Cuadernos de Información Económica, 214,
Enero-Febrero, pp. 83-88.
Zellner, A. (1962): “An Efficient Method of Estimating Seemingly Unrelated
Regressions and Tests for Aggregation Bias”, Journal of the American
Statistical Association, 57 (298), pp. 348-368.